Migración reciente 2015 - 2020
Diana Villasana Ocampo
Cuestionario Ampliado del Censo de Población y Vivienda 2020
El cuestionario ampliado se guarda en un un archivo
.RData.
data <- read_sav("~/Personas_Censo 2020.SAV")
save(data,
file = paste0(here::here(), "/Bases/Censo_Personas_2020.RData"))Se seleccionan las variables que se desean conservar para la
realización de este documento y se guarda en un archivo
.RData para practicidad del manejo de datos.
Posibles variables que se pueden contemplar en la migración reciente
EDAD
SEXO
AFRODES
HLENGUA
QDIALECT_INALI
PERTE_INDIGENANIVACAD
ALFABET
CAUSA_MIG
SITUA_CONYUGAL
CONACTHIJOS_NAC_VIVOS
La variable mydata contiene 15 015 683
observaciones y 12 variables.
load(paste0(here::here(), "/Bases/Censo_Personas_2020.RData"))
mydata <- data %>%
select(CVE_ENT, ENT, MUN, CVE_MUN, ENT_PAIS_RES_5A, MUN_RES_5A, CVE_MUN_RES15, EDAD,
SEXO, AFRODES, HLENGUA, QDIALECT_INALI, PERTE_INDIGENA, NIVACAD, ALFABET,
CAUSA_MIG, SITUA_CONYUGAL, CONACT, HIJOS_NAC_VIVOS, FACTOR, ESTRATO, UPM)
save(mydata, file = paste0(here::here(), "/Bases/01_Migracion interna_2020.RData"))✔️A partir de aquí se pueden correr los códidos 👇.
Se carga el archivo Migracion interna_2020.RData.
load(file = paste0(here::here(), "/Bases/01_Migracion interna_2020.RData"))
# Para fines prácticos se genera un ponderador de uno
mydata <- mydata %>%
select(CVE_ENT, ENT, MUN, CVE_MUN, ENT_PAIS_RES_5A, MUN_RES_5A, CVE_MUN_RES15, EDAD, FACTOR, ESTRATO, UPM) %>%
mutate(M = 1) %>%
mutate(NOM_ENT = as.factor(.$CVE_ENT)) %>%
ungroup()Claves de entidades y municipios
Se genera un vector con el nombre de las entidades llamado
estados para facilitar los filtros en el documento. Se
genera un vector con las abreviaturas de las entidades llamado
ent para fines prácticos.
Se genera un vector con las claves de los municipios, pero es importante
hacer notar que tres municipios no entraron el muestreo del Cuestionario
Ampliado.
# Claves de los estados
estados <- sjlabelled::get_labels(mydata$CVE_ENT)
nom_estados <- c( "Aguascalientes", "Baja California" ,"Baja California Sur", "Campeche", "Coahuila de Zaragoza",
"Colima", "Chiapas", "Chihuahua", "Ciudad de México", "Durango",
"Guanajuato", "Guerrero", "Hidalgo", "Jalisco", "México",
"Michoacán de Ocampo", "Morelos", "Nayarit", "Nuevo León", "Oaxaca",
"Puebla", "Querétaro", "Quintana Roo", "San Luis Potosí", "Sinaloa",
"Sonora", "Tabasco", "Tamaulipas", "Tlaxcala","Veracruz de Ignacio de la Llave",
"Yucatán", "Zacatecas")
est <- c("AGS", "BC", "BCS", "CAMP", "COAH", "COL", "CHIS", "CHIH", "CDMX", "DGO", "GTO", "GRO", "HGO",
"JAL", "MEX", "MICH", "MOR", "NAY", "NL", "OAX", "PUE", "QRO", "QROO", "SLP","SIN","SON", "TAB",
"TAMS", "TLX", "VER", "YUC", "ZAC")
# Claves de los municipios
MUN <- readRDS(paste0(here::here(), "/Bases/municipios_2020.RDS"))
nom_municipios <- sjlabelled::get_labels(MUN$NOM_MUN) %>% as.factor()
municipios <- sjlabelled::get_labels(MUN$CVE_MUN) %>% as.factor()
# Se le asignan las etiquetas a los nombres de los estados
levels(mydata$NOM_ENT) <- estadosPoblación de 5 años y más
Se identifica a la población de 5 años y más.
filter(EDAD >= 5 & EDAD != 999)'.
Pob.5ymas <- mydata %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <= 130) %>%
filter(ENT_PAIS_RES_5A %in% estados) # Filtro del lugar de residencia dentro del país. Nivel estatal
Migración reciente
Se utiliza la paquetería survey para poder trabajar con
la muestra del cuestionario ampliado, en la cual se selecciona a la
población de 5 años y más.
options(survey.lonely.psu = "adjust")
MC <- mydata %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <= 130) %>%
filter(ENT_PAIS_RES_5A %in% estados) %>%
svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)
saveRDS(MC, file = paste0(here::here(), "/Output/Estado/01_Migracion reciente/2020/MC_estado.RDS"))Se genera una matriz cruzada del lugar de residencia hace 5 años a
nivel estatal, utilizando la función svytable de la
paquetería survey.
MC <- readRDS(paste0(here::here(), "/Output/Estado/01_Migracion reciente/2020/MC_estado.RDS"))
Migrantes <- svytable(~ENT_PAIS_RES_5A + ENT, design = MC) La función cross_cases() de la paquetería
expss se utiliza para crear tablas de contingencia cruzadas
a partir de dos o más variables categóricas. Utilizando el comando
weight, permite ponderar las observaciones “factores de
expansión” en la tabla.
Se quita la diagonal a la matriz cruadrada con la función
diag.remove() de la paquetería sna, donde esta
función reemplaza los elementos de la diagonal principal de una matriz
por un valor nulo o por el valor especifico.
Migrantes <- Migrantes %>%
as.data.frame() %>%
expss::cross_cases(ENT, ENT_PAIS_RES_5A, weight = Freq) %>%
as.data.frame() %>%
slice(-33) %>%
select(-row_labels)
rownames(Migrantes)<- nom_estados
colnames(Migrantes) <- nom_estados
save(Migrantes, file = paste0(here::here(), "/Bases/Estado/01_Migracion reciente/2020/Matriz de migracion reciente a nivel estatal 2015-2020.RData"))
wb <- createWorkbook()
addWorksheet(wb, "MREst. 2015-2020")
writeData(wb, 1, Migrantes, colNames = TRUE, rowNames = TRUE)
saveWorkbook(wb, file = paste0(here::here(), "/Bases/Estado/01_Migracion reciente/2020/Matriz de migracion reciente a nivel estatal 2015-2020.xlsx"), overwrite = TRUE)Matriz de migración reciente hace 5 años a nivel estatal, 2015 - 2020
| Matriz de migración reciente 2015 - 2020 | ||||||||||||||||||||||||||||||||
| Nivel estatal | ||||||||||||||||||||||||||||||||
| Entidad | Aguascalientes | Baja California | Baja California Sur | Campeche | Coahuila de Zaragoza | Colima | Chiapas | Chihuahua | Ciudad de México | Durango | Guanajuato | Guerrero | Hidalgo | Jalisco | México | Michoacán de Ocampo | Morelos | Nayarit | Nuevo León | Oaxaca | Puebla | Querétaro | Quintana Roo | San Luis Potosí | Sinaloa | Sonora | Tabasco | Tamaulipas | Tlaxcala | Veracruz de Ignacio de la Llave | Yucatán | Zacatecas |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | ||||||||||||||||||||||||||||||||
Gráfico dinámico
Gráfico dinámico de migración reciente a nivel estatal.
#devtools::install_github("mattflor/chorddiag")
require(chorddiag)
load(file = paste0(here::here(), "/Bases/Estado/01_Migracion reciente/2020/Matriz de migracion reciente a nivel estatal 2015-2020.RData"))
tabla <- Migrantes %>%
sna::diag.remove(remove.val = 0)
names <- c("Aguascalientes", "Baja California" ,"Baja California Sur", "Campeche", "Coahuila", "Colima",
"Chiapas", "Chihuahua", "Ciudad de México", "Durango", "Guanajuato", "Guerrero", "Hidalgo", "Jalisco",
"México", "Michoacán", "Morelos", "Nayarit", "Nuevo León", "Oaxaca", "Puebla", "Querétaro",
"Quintana Roo", "San Luis Potosí", "Sinaloa", "Sonora", "Tabasco", "Tamaulipas", "Tlaxcala",
"Veracruz", "Yucatán", "Zacatecas")
# Paleta de colores
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
p <- chorddiag(tabla,
groupNames = names,
groupColors = paleta,
groupnamePadding = 10,
#height = 700,
#width = 700,
margin = 120,
groupThickness = 0.07,
groupPadding = 3,
groupnameFontsize = 12,
fadeLevel = '0.1',
tickInterval = seq(0, 500000, 10000),
chordedgeColor = "transparent",
showZeroTooltips = FALSE,
showTicks = TRUE)
# Ajusta las etiquetas usando JavaScript para modificar su posición
p <- htmlwidgets::onRender(p, '
function(el, x) {
d3.selectAll(".group text")
.attr("text-anchor", "middle")
.attr("dx", "0")
.attr("dy", "0.75em");
}
')
# Crear un contenedor div y aplicar estilos CSS para centrarlo
#p <- tags$div(style = "display: flex; justify-content: center; align-items: center;", p)
pp %>%
mapview::mapshot(url = paste0(here::here(),"/images/MR5a_2020.html"))
#htmlwidgets::saveWidget(p, paste0(here::here(), "/Graficos/Estado/01_Migracion reciente/2020/MR5a a nivel estatal 2015 - 2020.html"), selfcontained = TRUE)
#require(webshot)
#webshot(url = paste0(here::here(), "/Graficos/Estado/01_Migracion reciente/2020/MR5a a nivel estatal 2015 - 2020.html"),
# file = paste0(here::here(), "/Graficos/Estado/01_Migracion reciente/2020/MR5a a nivel estatal 2015 - 2020.png"),
# cliprect = "viewport")Gráficos migración reciente
ChordDiagram
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
load(file = paste0(here::here(), "/Bases/Estado/01_Migracion reciente/2020/Matriz de migracion reciente a nivel estatal 2015-2020.RData"))
tabla <- Migrantes %>%
sna::diag.remove(remove.val = 0)
rownames(tabla) <- stringr::str_wrap(nom_estados, 50)
colnames(tabla) <- stringr::str_wrap(nom_estados, 50)
# Paleta de colores
tabla2 <- color_chord_diagram(tabla1 = tabla, paleta)#svglite::svglite(paste0(here::here(), "/Graficos/Estado/01_Migracion reciente/2020/ChordDiagram de MR5a a nivel estatal.svg"), width = 20, height = 20)
file = "/Graficos/Estado/01_Migracion reciente/2020/ChordDiagram de MR5a a nivel estatal.pdf"
## Gráficos a nivel estatal
chord_diagram_graph(file = file,
width = 7,
height = 7,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0.4,
circo.text = 9,
circos.axis.text = 6,
adj.text =c(-0.05, 0.5), #Ajuste de las etiquetas (x, y)
adj.ylim = 0.1,
gap.degree = 2,
clock.wise = FALSE,
track.margin = c(-0.07, 0.1),
margin = rep(0, 4))Gráficos por estados
Se filtran los flujos migratorios que son exclusivos de los estados y que visualmente sean más interpretables.
load(file = paste0(here::here(), "/Bases/Estado/01_Migracion reciente/2020/Matriz de migracion reciente a nivel estatal 2015-2020.RData"))
tabla <- Migrantes %>%
sna::diag.remove(remove.val = 0)
rownames(tabla) <- stringr::str_wrap(nom_estados, 100)
colnames(tabla) <- stringr::str_wrap(nom_estados, 100)
# Nombre de los estados
estado <- stringr::str_wrap(nom_estados, 100)
filtro_est <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character)
### Sacar el promedio de los flujos migratiorios para determinar como se van a grupar los estados
#### Es importante correr la tabla1[[x]] sin filtros para determinar el número promedio de flujos de migración
#### Filtro <<<<< filter(value > 0 & rn != estado[x]) %>%
#tabla_estados <- sapply(1:32, function(x)
# mean(tail(sort(tabla1[[x]]), 1), na.rm = TRUE))
#p <- data.frame(estados = est,
# filtro_estados = filtro_mig)
#write.table(p, file = paste0(here::here(), "/Bases/Estado/01_Migracion reciente/2020/Filtro a nivel estatal.txt"))
#write.xlsx(p, file = paste0(here::here(), "/Bases/Estado/01_Migracion reciente/2020/Filtro a nivel estatal.xlsx"))
filtro_mig <- read.xlsx(paste0(here::here(), "/Bases/Estado/01_Migracion reciente/2020/Filtro a nivel estatal.xlsx"), colNames = TRUE) %>%
pull(filtro_estados)
tabla1 <- migration_flows_states(tabla = tabla,
filtro_mig = filtro_mig,
filtro_est = filtro_est,
category = estado,
group = "Otro estados")
## Se guardan las matrices de migración reciente para analizarlos después.
wb <- createWorkbook()
for(i in 1:32){
tabla <- tabla1[[i]] %>%
as.data.frame() %>%
adorn_totals(c("row", "col"),
fill = "-",
na.rm = TRUE,
name = "Total"
,,,,contains(colnames(tabla1[[i]])))
addWorksheet(wb, paste(est[i]))
writeData(wb, i, tabla, colNames = TRUE, rowNames = TRUE)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Estado/01_Migracion reciente/2020/Matriz MR5a por estados_2015 -2020_Reduccion.xlsx"),
overwrite = TRUE)
}
saveRDS(tabla1, file = paste0(here::here(), "/Output/Estado/01_Migracion reciente/2020/Tabla MR5a a por estados.RDS"))tabla1 <- readRDS(file = paste0(here::here(), "/Output/Estado/01_Migracion reciente/2020/Tabla MR5a a por estados.RDS"))
total_tablas <- totales(tabla1 = tabla1,
Clave = "CVE_ENT",
Inmigrantes = "Inmigrantes",
Emigrantes = "Emigrantes")
porcentajes_tablas <- porcentajes(tabla1 = tabla1,
Clave = "CVE_ENT",
Inmigrantes = "%Inmigrantes",
Emigrantes = "%Emigrantes")
# Se guardan los totales de las matrices reducidas
wb <- createWorkbook()
for(i in 1:32){
addWorksheet(wb, paste(est[i]))
writeData(wb, i, total_tablas[[i]], colNames = TRUE, startCol = 1)
writeData(wb, i, porcentajes_tablas[[i]], colNames = TRUE, startCol = 5)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Estado/01_Migracion reciente/2020/Matriz MR5a por estados_2015 -2020_Reduccion_Totales.xlsx"),
overwrite = TRUE)
}tabla1 <- readRDS(file = paste0(here::here(), "/Output/Estado/01_Migracion reciente/2020/Tabla MR5a a por estados.RDS"))
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636")
tabla2 <- color_chord_diagram(tabla1 = tabla1, paleta)file = "/Graficos/Estado/01_Migracion reciente/2020/ChordDiagram de MR5a desagregado por estado.pdf"
## Gráficos a nivel estatal
chord_diagram_graph(file = file,
width = 8,
height = 8,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0,
circo.text = 9,
circos.axis.text = 6,
adj.text =c(-0.05, 0.5), #Ajuste de las etiquetas (x, y)
adj.ylim = 0.1,
gap.degree = 2,
clock.wise = FALSE,
track.margin = c(-0.07, 0.1),
margin = rep(0, 4))Etiquetas
Gráfico Sankey
load(file = paste0(here::here(), "/Bases/Estado/01_Migracion reciente/2020/Matriz de migracion reciente a nivel estatal 2015-2020.RData"))
Migrantes <- Migrantes %>%
sna::diag.remove(remove.val = 0)
rownames(Migrantes) <- stringr::str_wrap(nom_estados, 50)
colnames(Migrantes) <- stringr::str_wrap(nom_estados, 50)
# Matiz migración interna (Población de 5 años y más)
tabla <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
as_tibble() %>%
mutate(rn = forcats::fct_relevel(.$rn, nom_estados),
cn = forcats::fct_relevel(.$cn, nom_estados)) %>%
filter(value >= 0) p <- tabla %>%
ggplot(aes(axis1 = rn,
axis2 = cn,
y = value), # c("value", "freq", "tasa")
reverse = FALSE,
na.rm = TRUE) +
geom_alluvium(aes(fill = rn),
curve_type = "quintic",
color = "transparent",
alpha = 0.85,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_stratum(aes(fill = cn),
color = "white",
alpha = 0.65,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 1, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 1, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = -.3,
min.segment.length = unit(1, "lines"),
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 2, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 2, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = .3,
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
theme_void() +
theme(plot.margin = margin(t = 1, r = 1, b = 1, l = 1, "cm"),
text = element_text(family = "montserrat"),
axis.text = element_blank(),
axis.title = element_blank(),
strip.text = element_text(size = 10, face = "bold", family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 9, family = "montserrat")) +
scale_x_discrete(expand = c(0, 0.4)) +
scale_fill_viridis_d(option = "A", end = 0.9, begin = 0.2) +
guides(fill = guide_legend(ncol = 1, na.translate = F)) +
labs(fill = "",
color = "")
p
path = paste0(here::here(), "/Graficos/Estado/01_Migracion reciente/2020/GSankey de MR5a a nivel estatal.pdf")
ggexport(p, width = 14, height = 10, dpi = 400, filename = path)Desagregado por estados
load(file = paste0(here::here(), "/Bases/Estado/01_Migracion reciente/2020/Matriz de migracion reciente a nivel estatal 2015-2020.RData"))
# Se cambian las equiquetas de los estados
estados <- est
rownames(Migrantes) <- estados
colnames(Migrantes) <- estados
tabla <- Migrantes %>%
sna::diag.remove(remove.val = 0) %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (.$rn %in% estados | .$cn %in% estados), value, 0)) %>%
mutate(rn = forcats::fct_relevel(.$rn, estados),
cn = forcats::fct_relevel(.$cn, estados)) p <- lapply(1:32, function(x){
tabla <- tabla %>%
mutate(rn = forcats::fct_relevel(.$rn, estados),
cn = forcats::fct_relevel(.$cn, estados)) %>%
mutate(value = ifelse(.$rn %in% estados[x] | .$cn %in% estados[x], value, 0))
tabla %>%
ggplot(aes(axis1 = rn,
axis2 = cn,
y = value), # c("value", "freq", "tasa")
reverse = FALSE,
na.rm = TRUE) +
geom_alluvium(aes(fill = rn),
color = "transparent",
alpha = 0.8,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_stratum(aes(fill = rn),
color = "#F1F1F1",
alpha = 1,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 1, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 1, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = -.2,
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 2, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 2, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = .2,
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
theme_void() +
theme(plot.margin = margin(t = 1, r = 1.5, b = 1, l = 0, "cm"),
text = element_text(family = "montserrat"),
axis.text = element_blank(),
axis.title = element_blank(),
strip.text = element_text(size = 10, face = "bold", family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 9, family = "montserrat"),
legend.position = c(1, .5)) +
scale_x_discrete(expand = c(-0.1, 0.35)) +
scale_fill_viridis_d(option = "A", end = 0.9, begin = 0.2) +
guides(fill = guide_legend(ncol = 1, na.translate = F)) +
labs(fill = "",
color = "")
}
)
path = paste0(here::here(), "/Graficos/Estado/01_Migracion reciente/2020/GSankey de MR5a desagregado por estados_Absolutos.pdf")
ggexport(list = p, width = 14, height = 10, dpi = 400, filename = path)Indicadores
Se realizan cálculos generales de migración
- Residentes
- Inmigrantes
- Emigrantes
- % Inmigrantes
- % Emigrante
- Migración bruta
- Migración Neta
- % Tasa de migración bruta
- % Tasa de migración neta
Opción 1
# Clave de los estados
tablas <- str_pad(rep(1:32), width = 3, pad = "0")
# Diseño muestral
MC <- mydata %>%
select(FACTOR, ESTRATO, UPM, CVE_ENT, ENT, ENT_PAIS_RES_5A, EDAD) %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
mutate(ENT_PAIS_RES_5A = case_when(.$ENT_PAIS_RES_5A %in% tablas ~.$ENT_PAIS_RES_5A,
.$ENT_PAIS_RES_5A %nin% tablas ~ "888", #Residencia en otro país
.$ENT_PAIS_RES_5A %in% "997" ~ "999",
.$ENT_PAIS_RES_5A %in% "998" ~ "998",
.$ENT_PAIS_RES_5A %in% "997" ~ "999")) %>%
# Se reclasifica la variable de residencia hace 5 años
mutate(ENT_PAIS_RES_5A = case_when(.$ENT_PAIS_RES_5A %in% tablas ~.$ENT_PAIS_RES_5A)) %>%
mutate(M = 1) %>% # Residentes
mutate(Pob.5ymas = ifelse(EDAD >= 5 & EDAD <= 130, 1, 0),
Migrantes = case_when(.$CVE_ENT !=.$ENT_PAIS_RES_5A & (EDAD >= 5 & EDAD <= 130) ~ 1),
Residentes = case_when(.$CVE_ENT ==.$ENT_PAIS_RES_5A & (EDAD >= 5 & EDAD <= 130) ~ 1)) %>%
select(FACTOR, ESTRATO, UPM, CVE_ENT, ENT_PAIS_RES_5A, M, Pob.5ymas, Migrantes, Residentes) %>%
melt(., id = c("UPM", "ESTRATO", "FACTOR", "M", "Pob.5ymas", "Migrantes", "Residentes")) %>%
srvyr::as_survey_design(ids = UPM, strata = ESTRATO, weights = FACTOR, nest = TRUE)
tabla <- MC %>%
group_by(value) %>%
dplyr::summarise(Pob_Total = survey_total(ifelse(variable == "CVE_ENT", M, 0), na.rm = TRUE)),
Pob.5ymas = survey_total(ifelse(variable == "CVE_ENT", Pob.5ymas, 0), na.rm = TRUE),
Residentes = survey_total(ifelse(variable == "CVE_ENT", Residentes, 0), na.rm = TRUE),
Inmigrantes = survey_total(ifelse(variable == "CVE_ENT", Migrantes, 0), na.rm = TRUE),
Emigrantes = survey_total(ifelse(variable == "ENT_PAIS_RES_5A" & value %in% tablas, Migrantes, 0), na.rm = TRUE)) %>%
ungroup() %>%
mutate(Mig.Neta = Inmigrantes - Emigrantes,
MIGBRUTA = Inmigrantes + Emigrantes,
TASAINMI = ((Inmigrantes/ 5) /((Pob_Total + Pob.5ymas) / 2))*1000,
TASAEMI = ((Emigrantes/ 5) /((Pob_Total + Pob.5ymas) / 2))*1000,
TASAMIG = TASAINMI - TASAEMI,
EFICACIA = MIGNETA - MIGBRUTA)
#write.xlsx(p, file = "Output/Estado/01_Migracion reciente/2020/Indicadores de MR5a por estado 2015 - 2020.xlsx", overwrite = TRUE)Opcion 2
Se trabaja con la matriz cuadrada, la cual no se satura la computadora.
################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
as.data.frame() %>%
group_by(CVE_ENT) %>%
summarise(Pob.Total = sum(FACTOR))
################################################################################
###################### Población de 5 años y más ###############################
Pob.5ymas <- mydata %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <=130) %>%
group_by(CVE_ENT) %>%
summarise(Pob.5ymas = sum(FACTOR))
################################################################################
########################### Residentes #########################################
load(file = paste0(here::here(), "/Bases/Estado/01_Migracion reciente/2020/Matriz de migracion reciente a nivel estatal 2015-2020.RData"))
rownames(Migrantes) <- str_pad(rep(1:32), width = 3, pad = "0")
colnames(Migrantes) <- str_pad(rep(1:32), width = 3, pad = "0")
Residentes <- Migrantes %>%
rownames_to_column() %>%
tidyr::gather(CVE_ENT, Value, -rowname)%>%
filter(rowname == CVE_ENT) %>%
select(-rowname) %>%
droplevels() %>%
rename("Residentes" = "Value")
################################################################################
############################### Inmigrantes ####################################
Inmigrantes <- Migrantes %>%
sna::diag.remove(remove.val = 0) %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_ENT") %>%
melt(., id.vars = "CVE_ENT", variable.name = "ENT_PAIS_RES_5A") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_ENT != ENT_PAIS_RES_5A) %>%
group_by(CVE_ENT) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
################################################################################
############################### Emigrantes #####################################
Emigrantes <- Migrantes %>%
sna::diag.remove(remove.val = 0) %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_ENT") %>%
melt(., id.vars = "CVE_ENT", variable.name = "ENT_PAIS_RES_5A") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_ENT != ENT_PAIS_RES_5A) %>%
group_by(ENT_PAIS_RES_5A) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE)) %>%
rename("CVE_ENT" = "ENT_PAIS_RES_5A")
tabla <- Pob.Total %>%
left_join(., Pob.5ymas, by = c("CVE_ENT")) %>%
left_join(., Residentes, by = c("CVE_ENT")) %>%
left_join(., Inmigrantes, by = c("CVE_ENT")) %>%
left_join(., Emigrantes, by = c("CVE_ENT")) %>%
mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
Mig.Bruta = .$Inmigrantes + .$Emigrantes,
Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2))*1000,
Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2))*1000,
Tasa.Mig = Tasa.Inmig - Tasa.Emig,
Eficacia = Mig.Neta - Mig.Bruta)
write.xlsx(tabla, file = paste0(here::here(), "/Output/Estado/01_Migracion reciente/2020/Indicadores de MR5a por estado 2015 - 2020.xlsx"), overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Indicadores de MR5a por estado 2015 - 2020.RData"))| Indicadores de migración reciente | |||||||||||
| Nivel estatal | |||||||||||
| Clave de la entidad | Pob.Total | Pob.5ymas | Residentes | Inmigrantes | Emigrantes | Mig.Neta | Mig.Bruta | Tasa.Inmig | Tasa.Emig | Tasa.Mig | Eficacia |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||
Nivel municipal
Migración reciente
Matrices
### Municipios que no pertenecen en la muestra
municipios_nomuestra <- c("004012", "007125", "029048")
#Clave de los municipios 2020
municipios <- MUN %>%
select(CVE_MUN) %>%
unique() %>%
filter(CVE_MUN %nin% municipios_nomuestra) %>%
pull(CVE_MUN)
Pob.5ymas <- mydata %>%
mutate(CVE_MUN_RES = paste0(ENT_PAIS_RES_5A, MUN_RES_5A)) %>%
mutate(ENT_PAIS_RES_5A = case_when(.$ENT_PAIS_RES_5A %in% estados ~.$ENT_PAIS_RES_5A,
.$ENT_PAIS_RES_5A %nin% estados ~ "888", #Residencia en otro país
.$ENT_PAIS_RES_5A %in% "997" ~ "997",
.$ENT_PAIS_RES_5A %in% "998" ~ "998",
.$ENT_PAIS_RES_5A %in% "997" ~ "999"),
CVE_MUN_RES = case_when(.$CVE_MUN_RES %in% municipios ~.$CVE_MUN_RES,
#### Se excluyen los municipios que no fueron muestreados
.$CVE_MUN_RES %in% municipios_nomuestra ~ "777",
nchar(.$CVE_MUN_RES) == 3 ~ "888", #Residencia en otro país
.$CVE_MUN_RES %in% "997999" ~ '997999',
.$ENT_PAIS_RES_5A %in% "997" ~ "997",
.$ENT_PAIS_RES_5A %in% "998" ~ "998",
.$ENT_PAIS_RES_5A %in% "999" ~ "999",
.$MUN_RES_5A %in% "999" ~ "999")) %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <= 130) %>%
select(FACTOR, ESTRATO, UPM, CVE_MUN, CVE_MUN_RES, EDAD) %>%
filter(CVE_MUN_RES %in% municipios)
MC <- Pob.5ymas %>%
svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)
saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/MC_municipal.RDS"))MC <- readRDS(file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/MC_municipal.RDS"))
Migrantes <- svytable(~CVE_MUN_RES + CVE_MUN, design = MC) Se genera la matriz cuadrada y se le asignan los nombres de los estados.
Migrantes <- Migrantes %>%
as.data.frame() %>%
expss::cross_cases(CVE_MUN, CVE_MUN_RES, weight = Freq) %>%
as.data.frame() %>%
rename("CVE_MUN" = "row_labels") %>%
arrange(CVE_MUN) %>%
slice(-1)
rownames <- Migrantes %>%
mutate(CVE_MUN = substr(.$CVE_MUN, 9, 16)) %>%
pull(CVE_MUN)
colnames <- names(Migrantes) %>%
as.data.frame() %>%
slice(-1) %>%
rename("CVE_MUN" = ".") %>%
mutate(`CVE_MUN` = substr(.$CVE_MUN, 13, 20)) %>%
pull(CVE_MUN)
# Se elimina la variable CVE_MUN
Migrantes <- Migrantes %>%
select(-CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
saveRDS(Migrantes, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel municipal.RDS"))
save(Migrantes, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel municipal.RData"))
require(openxlsx)
wb <- createWorkbook()
addWorksheet(wb, "M.Reciente")
writeData(wb, 1, Migrantes %>% as.data.frame() %>% tibble::rownames_to_column(var = "CVE_MUN"), colNames = TRUE)
saveWorkbook(wb, file = paste0(here::here(), "/Bases/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel municipal.xlsx"), overwrite = TRUE)Matriz de migración reciente hace 5 años a nivel municipal, 2015 - 2020
| Matriz de migración reciente 2015 - 2020 | |||||||||||||||||||||||||||||
| Nivel municipal | |||||||||||||||||||||||||||||
| CVE_MUN | 001001 | 001002 | 001003 | 001004 | 001005 | 001006 | 001007 | 001008 | 001009 | 001010 | 001011 | 002001 | 002002 | 002003 | 002004 | 002005 | 002006 | 003001 | 003002 | 003003 | 003008 | 003009 | 004001 | 004002 | 004003 | 004004 | 004005 | 004006 | 004007 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||||||||||||||||||||
Gráficos
Gráficos por municipios
Se filtran los flujos migratorios que son exclusivos de los estados y que visualmente sean más interpretables.
# Matriz cuadrada a nivel municipal
load(paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel municipal.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
# Nombre de los estados
estado <- stringr::str_wrap(nom_estados, 100)
# Clave de los municipios
### Municipios que no pertenecen en la muestra
municipios_nomuestra <- c("004012", "007125", "029048")
municipios <- MUN %>%
filter(CVE_MUN %nin% municipios_nomuestra) %>%
mutate(municipios = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(municipios)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(municipios, Migrantes)
Emigrantes <- Emigrantes_function(municipios, Migrantes)
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE))
filtro_est <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
filter(value > 0)
### Sacar el promedio de los flujos migratiorios para determinar como se van a grupar los estados
#### Es importante correr la tabla1[[x]] sin filtros para determinar el número promedio de flujos de migración
#### Filtro <<<<< filter(value > 0 & rn != estado[x]) %>%
#### Se anexa el filtro de estados filter(value > 100000000 & rn != estado[x]) %>%
#### De esta manera solo se contemplan a los municipios
#p <- data.frame(estados = est,
# filtro_municipio = filtro_mig,
# filtro_estado = filtro_out)
#write.xlsx(p, file = paste0(here::here(), "/Bases/Municipio/01_Migracion reciente/2020/Filtro a nivel municipal.xlsx"), overwrite = TRUE)
#### Filtro de municipios
filtro_mig <- read.xlsx(paste0(here::here(), "/Bases/Municipio/01_Migracion reciente/2020/Filtro a nivel municipal.xlsx"), colNames = TRUE) %>%
pull(filtro_municipio)
#### Filtro de estados
filtro_out <- read.xlsx(paste0(here::here(), "/Bases/Municipio/01_Migracion reciente/2020/Filtro a nivel municipal.xlsx"), colNames = TRUE) %>%
pull(filtro_estado)
tabla <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
filter(value > 0)
## Se generan los filtros correspondientes a la matriz cuadrada por estados
tabla1 <- migration_flows_municipality(tabla = tabla,
filtro_mun = filtro,
filtro_est = filtro_est,
filtro_mig = filtro_mig,
filtro_out = filtro_out,
category_group = estados,
category_names = nom_estados,
group_mun = "Otros municipios",
group_est = "Otros estados")
## Se sacan los flujos migratorios que pertencen a otros estados
#tabla_estados <- sapply(1:32, function(i){
# tabla1[[i]] %>%
# as.data.frame() %>%
# adorn_totals(c("row", "col"),
# fill = "-",
# na.rm = TRUE,
# ,,,,contains(colnames(tabla1[[i]]))) %>%
# select(`Otros estados`) %>%
# slice(nrow(.)) %>%
# mutate(`Otros estados` = .$`Otros estados`/30) %>%
# pull(`Otros estados`)
# }
#)
## Se sacan los flujos migratorios que pertencen a otros municipios
#tabla_municipios <- sapply(1:32, function(i){
# tabla1[[i]] %>%
# as.data.frame() %>%
# select(-c(`Otros estados`)) %>%
# adorn_totals(c("row", "col"),
# fill = "-",
# na.rm = TRUE,
# ,,,,contains(colnames(tabla1[[i]]))) N%>%
# slice(nrow(.)) %>%
# mutate(Total = .$Total/50) %>%
# pull(Total)
#})
## Se guardan las matrices de migración reciente para analizarlos después.
wb <- createWorkbook()
for(i in 1:32){
tabla <- tabla1[[i]] %>%
as.data.frame() %>%
adorn_totals(c("row", "col"),
fill = "-",
na.rm = TRUE,
,,,,contains(colnames(tabla1[[i]])))
addWorksheet(wb, paste(est[i]))
writeData(wb, i, tabla, colNames = TRUE, rowNames = TRUE)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz MR5a nivel municipal_Reduccion.xlsx"),
overwrite = TRUE)
}
saveRDS(tabla1, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Tabla MR5a a nivel municipal.RDS"))tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Tabla MR5a a nivel municipal.RDS"))
total_tablas <- totales(tabla1 = tabla1,
Clave = "CVE_MUN",
Inmigrantes = "Inmigrantes",
Emigrantes = "Emigrantes")
porcentajes_tablas <- porcentajes(tabla1 = tabla1,
Clave = "CVE_MUN",
Inmigrantes = "%Inmigrantes",
Emigrantes = "%Emigrantes")
# Se guardan los totales de las matrices reducidas
wb <- createWorkbook()
for(i in 1:32){
addWorksheet(wb, paste(est[i]))
writeData(wb, i, total_tablas[[i]], colNames = TRUE, startCol = 1)
writeData(wb, i, porcentajes_tablas[[i]], colNames = TRUE, startCol = 5)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz MR5a nivel municipal_Reduccion_Totales.xlsx"),
overwrite = TRUE)
}Dada la magnitud de municipios en algunos estados se seleccionan solo algunos de ellos.
tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Tabla MR5a a nivel municipal.RDS"))
## Genera una lista de vectores con los colores a nivel municipal
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1 = tabla1, paleta)file = "/Graficos/Municipio/01_Migracion reciente/2020/ChordDiagram de MR5a desagregado por estado.pdf"
## Gráficos a nivel municipal
chord_diagram_graph(file = file,
width = 15,
height = 10,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0,
circo.text = 9,
circos.axis.text = 6,
adj.text =c(-0.05, 0.5), #Ajuste de las etiquetas (x, y)
adj.ylim = 0.1,
gap.degree = 2,
clock.wise = FALSE,
track.margin = c(-0.07, 0.1),
margin = rep(0, 4))Etiquetas
Indicadores
Se realizan cálculos generales de migración
- Residentes
- Inmigrantes
- Emigrantes
- % Inmigrantes
- % Emigrante
- Migración Bruta
- Migración Neta
- % Tasa de migración bruta
- % Tasa de migración neta
Dada la cantidad de datos a calcular para la obtención de los indicadores. La obtención de los indicadores se realiza de manera directa, es decir, partiendo de la matriz cuadrada original.
################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
as.data.frame() %>%
group_by(CVE_MUN) %>%
summarise(Pob.Total = sum(FACTOR))
################################################################################
###################### Población de 5 años y más ###############################
Pob.5ymas <- mydata %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <=130) %>%
group_by(CVE_MUN) %>%
summarise(Pob.5ymas = sum(FACTOR))
################################################################################
########################### Residentes #########################################
load(paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel municipal.RData"))
Residentes <- Migrantes %>%
rownames_to_column() %>%
gather(CVE_MUN, Value, -rowname)%>%
filter(rowname == CVE_MUN) %>%
select(-rowname) %>%
droplevels() %>%
rename("Residentes" = "Value")
################################################################################
############################### Inmigrantes ####################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
group_by(CVE_MUN) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
################################################################################
############################### Emigrantes #####################################
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
group_by(CVE_MUN_RES) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE)) %>%
rename("CVE_MUN" = "CVE_MUN_RES")
tabla <- Pob.Total %>%
left_join(., Pob.5ymas, by = c("CVE_MUN")) %>%
left_join(., Residentes, by = c("CVE_MUN")) %>%
left_join(., Inmigrantes, by = c("CVE_MUN")) %>%
left_join(., Emigrantes, by = c("CVE_MUN")) %>%
mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
Mig.Bruta = .$Inmigrantes + .$Emigrantes,
Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2))*1000,
Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2))*1000,
Tasa.Mig = Tasa.Inmig - Tasa.Emig,
Eficacia = Mig.Neta - Mig.Bruta)
write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Indicadores de migracion reciente a nivel municipal 2015 - 2020.xlsx"), overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Indicadores de migracion reciente a nivel municipal 2015 - 2020.RData"))| Indicadores de migración reciente | |||||||||||
| Nivel municipal | |||||||||||
| Clave del municipio | Pob.Total | Pob.5ymas | Residentes | Inmigrantes | Emigrantes | Mig.Neta | Mig.Bruta | Tasa.Inmig | Tasa.Emig | Tasa.Mig | Eficacia |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||
Migración Intramunicipal
Matrices
### Municipios que no pertenecen en la muestra
municipios_nomuestra <- c("004012", "007125", "029048")
#Clave de los municipios 2020
municipios <- MUN %>%
select(CVE_MUN) %>%
unique() %>%
filter(CVE_MUN %nin% municipios_nomuestra) %>%
pull(CVE_MUN)
Pob.5ymas <- mydata %>%
mutate(CVE_MUN_RES = paste0(ENT_PAIS_RES_5A, MUN_RES_5A)) %>%
mutate(ENT_PAIS_RES_5A = case_when(.$ENT_PAIS_RES_5A %in% estados ~.$ENT_PAIS_RES_5A,
.$ENT_PAIS_RES_5A %nin% estados ~ "888", #Residencia en otro país
.$ENT_PAIS_RES_5A %in% "997" ~ "997",
.$ENT_PAIS_RES_5A %in% "998" ~ "998",
.$ENT_PAIS_RES_5A %in% "997" ~ "999"),
CVE_MUN_RES = case_when(.$CVE_MUN_RES %in% municipios ~.$CVE_MUN_RES,
#### Se excluyen los municipios que no fueron muestreados
.$CVE_MUN_RES %in% municipios_nomuestra ~ "777",
nchar(.$CVE_MUN_RES) == 3 ~ "888", #Residencia en otro país
.$CVE_MUN_RES %in% "997999" ~ '997999',
.$ENT_PAIS_RES_5A %in% "997" ~ "997",
.$ENT_PAIS_RES_5A %in% "998" ~ "998",
.$ENT_PAIS_RES_5A %in% "999" ~ "999",
.$MUN_RES_5A %in% "999" ~ "999")) %>%
mutate(I_Migracion = case_when(.$CVE_ENT == .$ENT_PAIS_RES_5A & .$ENT_PAIS_RES_5A %in% estados ~ 1,
.$CVE_ENT != .$ENT_PAIS_RES_5A & .$ENT_PAIS_RES_5A %in% estados ~ 2,
.$ENT_PAIS_RES_5A %nin% estados ~ 3)) %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <= 130) %>%
select(FACTOR, ESTRATO, UPM, CVE_MUN, CVE_MUN_RES, EDAD, I_Migracion) %>%
filter(CVE_MUN_RES %in% municipios & I_Migracion == 1)
MC <- Pob.5ymas %>%
svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)
saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/MC_intramunicipal.RDS"))MC <- readRDS(file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/MC_intramunicipal.RDS"))
Migrantes <- svytable(~CVE_MUN_RES + CVE_MUN, design = MC) Se genera la matriz cuadrada y se le asignan las etiquetas de municipios.
Migrantes <- Migrantes %>%
as.data.frame() %>%
expss::cross_cases(CVE_MUN, CVE_MUN_RES, weight = Freq) %>%
as.data.frame() %>%
rename("CVE_MUN" = "row_labels") %>%
arrange(CVE_MUN) %>%
slice(-1)
rownames <- Migrantes %>%
mutate(CVE_MUN = substr(.$CVE_MUN, 9, 16)) %>%
pull(CVE_MUN)
colnames <- names(Migrantes) %>%
as.data.frame() %>%
slice(-1) %>%
rename("CVE_MUN" = ".") %>%
mutate(`CVE_MUN` = substr(.$CVE_MUN, 13, 20)) %>%
pull(CVE_MUN)
# Se elimina la variable CVE_MUN
Migrantes <- Migrantes %>%
select(-CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
saveRDS(Migrantes, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel intramunicipal 2020.RDS"))
save(Migrantes, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel intramunicipal 2020.RData"))
require(openxlsx)
wb <- createWorkbook()
addWorksheet(wb, "M.Intramunicipal")
writeData(wb, 1, Migrantes %>% as.data.frame() %>% tibble::rownames_to_column(var = "CVE_MUN"), colNames = TRUE)
saveWorkbook(wb, file = paste0(here::here(), "/Bases/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel intramunicipal 2020.xlsx"), overwrite = TRUE)Matriz de migración reciente hace 5 años a nivel municipal, 2015 - 2020
| Matriz de migración reciente a nivel municipal | |||||||||||||||||||||||||||||
| Nivel intramunicipal | |||||||||||||||||||||||||||||
| CVE_MUN | 001001 | 001002 | 001003 | 001004 | 001005 | 001006 | 001007 | 001008 | 001009 | 001010 | 001011 | 002001 | 002002 | 002003 | 002004 | 002005 | 002006 | 003001 | 003002 | 003003 | 003008 | 003009 | 004001 | 004002 | 004003 | 004004 | 004005 | 004006 | 004007 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||||||||||||||||||||
Gráficos
ChordDiagram
Gráficos por estados
Se filtran los flujos migratorios que son exclusivos de los estados y que visualmente sean más interpretables.
# Matriz cuadrada a nivel municipal
load(paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel intramunicipal 2020.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
# Nombre de los estados
estado <- stringr::str_wrap(nom_estados, 100)
# Clave de los municipios
### Municipios que no pertenecen en la muestra
municipios_nomuestra <- c("004012", "007125", "029048")
municipios <- MUN %>%
filter(CVE_MUN %nin% municipios_nomuestra) %>%
mutate(municipios = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(municipios)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(municipios, Migrantes)
Emigrantes <- Emigrantes_function(municipios, Migrantes)
### Sacar el promedio de los flujos migratiorios para determinar como se van a grupar los estados
#### Es importante correr la tabla1[[x]] sin filtros para determinar el número promedio de flujos de migración
#### Filtro <<<<< filter(value > 0 & rn != estado[x]) %>%
#p <- data.frame(estados = est,
# filtro_municipio = tabla_municipios)
#write.table(p, file = paste0(here::here(), "/Bases/Municipio/01_Migracion reciente/2020/Filtro a nivel intramunicipal.txt"), col.names = TRUE)
#write.xlsx(p, file = paste0(here::here(), "/Bases/Municipio/01_Migracion reciente/2020/Filtro a nivel intramunicipal.xlsx"), overwrite = TRUE)
#### Filtro de municipios
filtro_mig <- read.xlsx(paste0(here::here(), "/Bases/Municipio/01_Migracion reciente/2020/Filtro a nivel intramunicipal.xlsx"), colNames = TRUE) %>%
pull(filtro_municipio)
################################################################################
## Se generan los filtros correspondientes a la matriz cuadrada por estados
tabla <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
filter(value > 0)
tabla1 <- migration_flows_municipality(tabla = tabla,
filtro_mun = filtro,
filtro_est = NULL,
filtro_mig = filtro_mig,
filtro_out = NULL,
category_group = estados,
category_names = nom_estados,
group_mun = "Otros municipios",
group_est = NULL)
################################################################################
## Se generan los filtros correspondientes a la matriz cuadrada por estados
## Se sacan los flujos migratorios que pertencen a otros municipios
#tabla_municipios <- sapply(1:32, function(i){
# tabla1[[i]] %>%
# as.data.frame() %>%
# adorn_totals(c("row", "col"),
# fill = "-",
# na.rm = TRUE,
# ,,,,contains(colnames(tabla1[[i]]))) %>%
# select(Total) %>%
# slice(nrow(.)) %>%
# mutate(Total = .$Total/100) %>%
# pull(Total)
#}
#)
## Se guardan las matrices de migración reciente para analizarlos después.
wb <- createWorkbook()
for(i in 1:32){
tabla <- tabla1[[i]] %>%
as.data.frame() %>%
adorn_totals(c("row", "col"),
fill = "-",
na.rm = TRUE,
,,,,contains(colnames(tabla1[[i]])))
addWorksheet(wb, paste(est[i]))
writeData(wb, i, tabla, colNames = TRUE, rowNames = TRUE)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz MR5a nivel intramunicipal_Reduccion.xlsx"),
overwrite = TRUE)
}
saveRDS(tabla1, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Tabla MR5a a nivel intramunicipal.RDS"))tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Tabla MR5a a nivel intramunicipal.RDS"))
total_tablas <- totales(tabla1 = tabla1,
Clave = "CVE_MUN",
Inmigrantes = "Inmigrantes",
Emigrantes = "Emigrantes")
porcentajes_tablas <- porcentajes(tabla1 = tabla1,
Clave = "CVE_MUN",
Inmigrantes = "%Inmigrantes",
Emigrantes = "%Emigrantes")
# Se guardan los totales de las matrices reducidas
wb <- createWorkbook()
for(i in 1:32){
addWorksheet(wb, paste(est[i]))
writeData(wb, i, totales_tablas[[i]], colNames = TRUE, startCol = 1)
writeData(wb, i, porcentajes_tablas[[i]], colNames = TRUE, startCol = 5)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz MR5a nivel intramunicipal_Reduccion_Totales.xlsx"),
overwrite = TRUE)
}Dada la magnitud de municipios en algunos estados se seleccionan solo algunos de ellos.
tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Tabla MR5a a nivel intramunicipal.RDS"))
## Genera una lista de vectores con los colores a nivel municipal
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1 = tabla1, paleta)file = "/Graficos/Municipio/01_Migracion reciente/2020/ChordDiagram de MR5a desagregado a nivel intramunicipal.pdf"
## Gráficos a nivel estatal
chord_diagram_graph(file = file,
width = 15,
height = 10,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0,
circo.text = 9,
circos.axis.text = 6,
adj.text =c(-0.05, 0.5), #Ajuste de las etiquetas (x, y)
adj.ylim = 0.1,
gap.degree = 2,
clock.wise = FALSE,
track.margin = c(-0.07, 0.1),
margin = rep(0, 4))Etiquetas
Gráfico Sankey
# Matriz cuadrada a nivel municipal
load(paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel intramunicipal 2020.RData"))
tabla <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (substr(.$rn, 1, 3) %in% estados | substr(.$cn, 1, 3) %in% estados), value, 0)) %>%
filter(value > 0) %>%
group_by(rn) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (substr(.$rn, 1, 3) %in% estados | substr(.$cn, 1, 3) %in% estados), value, 0)) %>%
filter(value > 0) %>%
group_by(cn) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE))
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
filter(value < 5000) %>%
pull(rn)
################################################################################
tabla1 <- lapply(1:32, function(x){
tabla %>%
mutate(rn = case_when(substr(.$rn, 1, 3) %in% estados[x] & .$rn %in% filtro ~ paste0("Otros municipios (", estados[x], ")"),
substr(.$rn, 1, 3) %in% estados[x] & .$rn %nin% filtro ~ .$rn,
substr(.$rn, 1, 3) %nin% estados[x] ~ substr(.$rn, 1, 3)),
cn = case_when(substr(.$cn, 1, 3) %in% estados[x] & .$cn %in% filtro ~ paste0("Otros municipios (", estados[x], ")"),
substr(.$cn, 1, 3) %in% estados[x] & .$cn %nin% filtro ~ .$cn,
substr(.$cn, 1, 3) %nin% estados[x] ~ substr(.$cn, 1, 3))) %>%
mutate(value = ifelse(.$rn != .$cn, .$value, 0)) %>%
filter(value > 0)
}
)p <- lapply(1:32, function(x){
tabla1[[x]] %>%
ggplot(aes(axis1 = rn,
axis2 = cn,
y = value), # c("value", "freq", "tasa")
reverse = FALSE,
na.rm = TRUE) +
geom_alluvium(aes(fill = rn),
curve_type = "quintic",
color = "transparent",
alpha = 0.85,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_stratum(aes(fill = cn),
color = "white",
alpha = 0.65,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 1, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 1, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = -.2,
min.segment.length = unit(1, "lines"),
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 2, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 2, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = .2,
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
theme_void() +
theme(plot.margin = margin(t = 1, r = 5, b = 1, l = 0, "cm"),
text = element_text(family = "montserrat"),
axis.text = element_blank(),
axis.title = element_blank(),
strip.text = element_text(size = 10, face = "bold", family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 7, family = "montserrat"),
legend.position = c(1.02, .5)) +
scale_x_discrete(expand = c(-0.1, 0.5)) +
scale_fill_viridis_d(option = "A", end = 1, begin = 0.2) +
guides(fill = guide_legend(ncol = 1, na.translate = F)) +
labs(fill = "",
color = "")
}
)
path = paste0(here::here(), "/Graficos/Municipio/01_Migracion reciente/2020/GSankey de MR5a desagregado a nivel intramunicipal.pdf")
ggexport(list = p, width = 18, height = 10, dpi = 400, filename = path)Indicadores
Se trabaja con la matriz cuadrada, la cual de esta manera no se satura la computadora
################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
as.data.frame() %>%
group_by(CVE_MUN) %>%
summarise(Pob.Total = sum(FACTOR))
################################################################################
###################### Población de 5 años y más ###############################
Pob.5ymas <- mydata %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <=130) %>%
group_by(CVE_MUN) %>%
summarise(Pob.5ymas = sum(FACTOR))
################################################################################
########################### Residentes #########################################
load(file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel intramunicipal 2020.RData"))
Residentes <- Migrantes %>%
rownames_to_column() %>%
gather(CVE_MUN, Value, -rowname)%>%
filter(rowname == CVE_MUN) %>%
select(-rowname) %>%
droplevels() %>%
rename("Residentes" = "Value")
################################################################################
############################### Inmigrantes ####################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
group_by(CVE_MUN) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
################################################################################
############################### Emigrantes #####################################
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
group_by(CVE_MUN_RES) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE)) %>%
rename("CVE_MUN" = "CVE_MUN_RES")
tabla <- Pob.Total %>%
left_join(., Pob.5ymas, by = c("CVE_MUN")) %>%
left_join(., Residentes, by = c("CVE_MUN")) %>%
left_join(., Inmigrantes, by = c("CVE_MUN")) %>%
left_join(., Emigrantes, by = c("CVE_MUN")) %>%
mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
Mig.Bruta = .$Inmigrantes + .$Emigrantes,
Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Mig = Tasa.Inmig - Tasa.Emig,
Eficacia = Mig.Neta - Mig.Bruta)
write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Indicadores de MR5a a nivel intramunicipal 2020.xlsx"), overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Indicadores de MR5a a nivel intramunicipal 2020.RData"))| Indicadores de migración reciente | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Nivel intramunicipal | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| CVE_MUN | 001001 | 001002 | 001003 | 001004 | 001005 | 001006 | 001007 | 001008 | 001009 | 001010 | 001011 | 002001 | 002002 | 002003 | 002004 | 002005 | 002006 | 003001 | 003002 | 003003 | 003008 | 003009 | 004001 | 004002 | 004003 | 004004 | 004005 | 004006 | 004007 | 004008 | 004009 | 004010 | 004011 | 005001 | 005002 | 005003 | 005004 | 005005 | 005006 | 005007 | 005008 | 005009 | 005010 | 005011 | 005012 | 005013 | 005014 | 005015 | 005016 | 005017 | 005018 | 005019 | 005020 | 005021 | 005022 | 005023 | 005024 | 005025 | 005026 | 005027 | 005028 | 005029 | 005030 | 005031 | 005032 | 005033 | 005034 | 005035 | 005036 | 005037 | 005038 | 006001 | 006002 | 006003 | 006004 | 006005 | 006006 | 006007 | 006008 | 006009 | 006010 | 007001 | 007002 | 007003 | 007004 | 007005 | 007006 | 007007 | 007008 | 007009 | 007010 | 007011 | 007012 | 007013 | 007014 | 007015 | 007016 | 007017 | 007018 | 007019 | 007020 | 007021 | 007022 | 007023 | 007024 | 007025 | 007026 | 007027 | 007028 | 007029 | 007030 | 007031 | 007032 | 007033 | 007034 | 007035 | 007036 | 007037 | 007038 | 007039 | 007040 | 007041 | 007042 | 007043 | 007044 | 007045 | 007046 | 007047 | 007048 | 007049 | 007050 | 007051 | 007052 | 007053 | 007054 | 007055 | 007056 | 007057 | 007058 | 007059 | 007060 | 007061 | 007062 | 007063 | 007064 | 007065 | 007066 | 007067 | 007068 | 007069 | 007070 | 007071 | 007072 | 007073 | 007074 | 007075 | 007076 | 007077 | 007078 | 007079 | 007080 | 007081 | 007082 | 007083 | 007084 | 007085 | 007086 | 007087 | 007088 | 007089 | 007090 | 007091 | 007092 | 007093 | 007094 | 007096 | 007097 | 007098 | 007099 | 007100 | 007101 | 007102 | 007103 | 007104 | 007105 | 007106 | 007107 | 007108 | 007109 | 007110 | 007111 | 007112 | 007113 | 007114 | 007115 | 007116 | 007117 | 007118 | 007119 | 007120 | 007121 | 007122 | 007123 | 007124 | 008001 | 008002 | 008003 | 008004 | 008005 | 008006 | 008007 | 008008 | 008009 | 008010 | 008011 | 008012 | 008013 | 008014 | 008015 | 008016 | 008017 | 008018 | 008019 | 008020 | 008021 | 008022 | 008023 | 008024 | 008025 | 008026 | 008027 | 008028 | 008029 | 008030 | 008031 | 008032 | 008033 | 008034 | 008035 | 008036 | 008037 | 008038 | 008039 | 008040 | 008041 | 008042 | 008043 | 008044 | 008045 | 008046 | 008047 | 008048 | 008049 | 008050 | 008051 | 008052 | 008053 | 008054 | 008055 | 008056 | 008057 | 008058 | 008059 | 008060 | 008061 | 008062 | 008063 | 008064 | 008065 | 008066 | 008067 | 009002 | 009003 | 009004 | 009005 | 009006 | 009007 | 009008 | 009009 | 009010 | 009011 | 009012 | 009013 | 009014 | 009015 | 009016 | 009017 | 010001 | 010002 | 010003 | 010004 | 010005 | 010006 | 010007 | 010008 | 010009 | 010010 | 010011 | 010012 | 010013 | 010014 | 010015 | 010016 | 010017 | 010018 | 010019 | 010020 | 010021 | 010022 | 010023 | 010024 | 010025 | 010026 | 010027 | 010028 | 010029 | 010030 | 010031 | 010032 | 010033 | 010034 | 010035 | 010036 | 010037 | 010038 | 010039 | 011001 | 011002 | 011003 | 011004 | 011005 | 011006 | 011007 | 011008 | 011009 | 011010 | 011011 | 011012 | 011013 | 011014 | 011015 | 011016 | 011017 | 011018 | 011019 | 011020 | 011021 | 011022 | 011023 | 011024 | 011025 | 011026 | 011027 | 011028 | 011029 | 011030 | 011031 | 011032 | 011033 | 011034 | 011035 | 011036 | 011037 | 011038 | 011039 | 011040 | 011041 | 011042 | 011043 | 011044 | 011045 | 011046 | 012001 | 012002 | 012003 | 012004 | 012005 | 012006 | 012007 | 012008 | 012009 | 012010 | 012011 | 012012 | 012013 | 012014 | 012015 | 012016 | 012017 | 012018 | 012019 | 012020 | 012021 | 012022 | 012023 | 012024 | 012025 | 012026 | 012027 | 012028 | 012029 | 012030 | 012031 | 012032 | 012033 | 012034 | 012035 | 012036 | 012037 | 012038 | 012039 | 012040 | 012041 | 012042 | 012043 | 012044 | 012045 | 012046 | 012047 | 012048 | 012049 | 012050 | 012051 | 012052 | 012053 | 012054 | 012055 | 012056 | 012057 | 012058 | 012059 | 012060 | 012061 | 012062 | 012063 | 012064 | 012065 | 012066 | 012067 | 012068 | 012069 | 012070 | 012071 | 012072 | 012073 | 012074 | 012075 | 012076 | 012077 | 012078 | 012079 | 012080 | 012081 | 013001 | 013002 | 013003 | 013004 | 013005 | 013006 | 013007 | 013008 | 013009 | 013010 | 013011 | 013012 | 013013 | 013014 | 013015 | 013016 | 013017 | 013018 | 013019 | 013020 | 013021 | 013022 | 013023 | 013024 | 013025 | 013026 | 013027 | 013028 | 013029 | 013030 | 013031 | 013032 | 013033 | 013034 | 013035 | 013036 | 013037 | 013038 | 013039 | 013040 | 013041 | 013042 | 013043 | 013044 | 013045 | 013046 | 013047 | 013048 | 013049 | 013050 | 013051 | 013052 | 013053 | 013054 | 013055 | 013056 | 013057 | 013058 | 013059 | 013060 | 013061 | 013062 | 013063 | 013064 | 013065 | 013066 | 013067 | 013068 | 013069 | 013070 | 013071 | 013072 | 013073 | 013074 | 013075 | 013076 | 013077 | 013078 | 013079 | 013080 | 013081 | 013082 | 013083 | 013084 | 014001 | 014002 | 014003 | 014004 | 014005 | 014006 | 014007 | 014008 | 014009 | 014010 | 014011 | 014012 | 014013 | 014014 | 014015 | 014016 | 014017 | 014018 | 014019 | 014020 | 014021 | 014022 | 014023 | 014024 | 014025 | 014026 | 014027 | 014028 | 014029 | 014030 | 014031 | 014032 | 014033 | 014034 | 014035 | 014036 | 014037 | 014038 | 014039 | 014040 | 014041 | 014042 | 014043 | 014044 | 014045 | 014046 | 014047 | 014048 | 014049 | 014050 | 014051 | 014052 | 014053 | 014054 | 014055 | 014056 | 014057 | 014058 | 014059 | 014060 | 014061 | 014062 | 014063 | 014064 | 014065 | 014066 | 014067 | 014068 | 014069 | 014070 | 014071 | 014072 | 014073 | 014074 | 014075 | 014076 | 014077 | 014078 | 014079 | 014080 | 014081 | 014082 | 014083 | 014084 | 014085 | 014086 | 014087 | 014088 | 014089 | 014090 | 014091 | 014092 | 014093 | 014094 | 014095 | 014096 | 014097 | 014098 | 014099 | 014100 | 014101 | 014102 | 014103 | 014104 | 014105 | 014106 | 014107 | 014108 | 014109 | 014110 | 014111 | 014112 | 014113 | 014114 | 014115 | 014116 | 014117 | 014118 | 014119 | 014120 | 014121 | 014122 | 014123 | 014124 | 014125 | 015001 | 015002 | 015003 | 015004 | 015005 | 015006 | 015007 | 015008 | 015009 | 015010 | 015011 | 015012 | 015013 | 015014 | 015015 | 015016 | 015017 | 015018 | 015019 | 015020 | 015021 | 015022 | 015023 | 015024 | 015025 | 015026 | 015027 | 015028 | 015029 | 015030 | 015031 | 015032 | 015033 | 015034 | 015035 | 015036 | 015037 | 015038 | 015039 | 015040 | 015041 | 015042 | 015043 | 015044 | 015045 | 015046 | 015047 | 015048 | 015049 | 015050 | 015051 | 015052 | 015053 | 015054 | 015055 | 015056 | 015057 | 015058 | 015059 | 015060 | 015061 | 015062 | 015063 | 015064 | 015065 | 015066 | 015067 | 015068 | 015069 | 015070 | 015071 | 015072 | 015073 | 015074 | 015075 | 015076 | 015077 | 015078 | 015079 | 015080 | 015081 | 015082 | 015083 | 015084 | 015085 | 015086 | 015087 | 015088 | 015089 | 015090 | 015091 | 015092 | 015093 | 015094 | 015095 | 015096 | 015097 | 015098 | 015099 | 015100 | 015101 | 015102 | 015103 | 015104 | 015105 | 015106 | 015107 | 015108 | 015109 | 015110 | 015111 | 015112 | 015113 | 015114 | 015115 | 015116 | 015117 | 015118 | 015119 | 015120 | 015121 | 015122 | 015123 | 015124 | 015125 | 016001 | 016002 | 016003 | 016004 | 016005 | 016006 | 016007 | 016008 | 016009 | 016010 | 016011 | 016012 | 016013 | 016014 | 016015 | 016016 | 016017 | 016018 | 016019 | 016020 | 016021 | 016022 | 016023 | 016024 | 016025 | 016026 | 016027 | 016028 | 016029 | 016030 | 016031 | 016032 | 016033 | 016034 | 016035 | 016036 | 016037 | 016038 | 016039 | 016040 | 016041 | 016042 | 016043 | 016044 | 016045 | 016046 | 016047 | 016048 | 016049 | 016050 | 016051 | 016052 | 016053 | 016054 | 016055 | 016056 | 016057 | 016058 | 016059 | 016060 | 016061 | 016062 | 016063 | 016064 | 016065 | 016066 | 016067 | 016068 | 016069 | 016070 | 016071 | 016072 | 016073 | 016074 | 016075 | 016076 | 016077 | 016078 | 016079 | 016080 | 016081 | 016082 | 016083 | 016084 | 016085 | 016086 | 016087 | 016088 | 016089 | 016090 | 016091 | 016092 | 016093 | 016094 | 016095 | 016096 | 016097 | 016098 | 016099 | 016100 | 016101 | 016102 | 016103 | 016104 | 016105 | 016106 | 016107 | 016108 | 016109 | 016110 | 016111 | 016112 | 016113 | 017001 | 017002 | 017003 | 017004 | 017005 | 017006 | 017007 | 017008 | 017009 | 017010 | 017011 | 017012 | 017013 | 017014 | 017015 | 017016 | 017017 | 017018 | 017019 | 017020 | 017021 | 017022 | 017023 | 017024 | 017025 | 017026 | 017027 | 017028 | 017029 | 017030 | 017031 | 017032 | 017033 | 017034 | 017035 | 017036 | 018001 | 018002 | 018003 | 018004 | 018005 | 018006 | 018007 | 018008 | 018009 | 018010 | 018011 | 018012 | 018013 | 018014 | 018015 | 018016 | 018017 | 018018 | 018019 | 018020 | 019001 | 019002 | 019003 | 019004 | 019005 | 019006 | 019007 | 019008 | 019009 | 019010 | 019011 | 019012 | 019013 | 019014 | 019015 | 019016 | 019017 | 019018 | 019019 | 019020 | 019021 | 019022 | 019023 | 019024 | 019025 | 019026 | 019027 | 019028 | 019029 | 019030 | 019031 | 019032 | 019033 | 019034 | 019035 | 019036 | 019037 | 019038 | 019039 | 019040 | 019041 | 019042 | 019043 | 019044 | 019045 | 019046 | 019047 | 019048 | 019049 | 019050 | 019051 | 020001 | 020002 | 020003 | 020004 | 020005 | 020006 | 020007 | 020008 | 020009 | 020010 | 020011 | 020012 | 020013 | 020014 | 020015 | 020016 | 020017 | 020018 | 020019 | 020020 | 020021 | 020022 | 020023 | 020024 | 020025 | 020026 | 020027 | 020028 | 020029 | 020030 | 020031 | 020032 | 020033 | 020034 | 020035 | 020036 | 020037 | 020038 | 020039 | 020040 | 020041 | 020042 | 020043 | 020044 | 020045 | 020046 | 020047 | 020048 | 020049 | 020050 | 020051 | 020052 | 020053 | 020054 | 020055 | 020056 | 020057 | 020058 | 020059 | 020060 | 020061 | 020062 | 020063 | 020064 | 020065 | 020066 | 020067 | 020068 | 020069 | 020070 | 020071 | 020072 | 020073 | 020074 | 020075 | 020076 | 020077 | 020078 | 020079 | 020080 | 020081 | 020082 | 020083 | 020084 | 020085 | 020086 | 020087 | 020088 | 020089 | 020090 | 020091 | 020092 | 020093 | 020094 | 020095 | 020096 | 020097 | 020098 | 020099 | 020100 | 020101 | 020102 | 020103 | 020104 | 020105 | 020106 | 020107 | 020108 | 020109 | 020110 | 020111 | 020112 | 020113 | 020114 | 020115 | 020116 | 020117 | 020118 | 020119 | 020120 | 020121 | 020122 | 020123 | 020124 | 020125 | 020126 | 020127 | 020128 | 020129 | 020130 | 020131 | 020132 | 020133 | 020134 | 020135 | 020136 | 020137 | 020138 | 020139 | 020140 | 020141 | 020142 | 020143 | 020144 | 020145 | 020146 | 020147 | 020148 | 020149 | 020150 | 020151 | 020152 | 020153 | 020154 | 020155 | 020156 | 020157 | 020158 | 020159 | 020160 | 020161 | 020162 | 020163 | 020164 | 020165 | 020166 | 020167 | 020168 | 020169 | 020170 | 020171 | 020172 | 020173 | 020174 | 020175 | 020176 | 020177 | 020178 | 020179 | 020180 | 020181 | 020182 | 020183 | 020184 | 020185 | 020186 | 020187 | 020188 | 020189 | 020190 | 020191 | 020192 | 020193 | 020194 | 020195 | 020196 | 020197 | 020198 | 020199 | 020200 | 020201 | 020202 | 020203 | 020204 | 020205 | 020206 | 020207 | 020208 | 020209 | 020210 | 020211 | 020212 | 020213 | 020214 | 020215 | 020216 | 020217 | 020218 | 020219 | 020220 | 020221 | 020222 | 020223 | 020224 | 020225 | 020226 | 020227 | 020228 | 020229 | 020230 | 020231 | 020232 | 020233 | 020234 | 020235 | 020236 | 020237 | 020238 | 020239 | 020240 | 020241 | 020242 | 020243 | 020244 | 020245 | 020246 | 020247 | 020248 | 020249 | 020250 | 020251 | 020252 | 020253 | 020254 | 020255 | 020256 | 020257 | 020258 | 020259 | 020260 | 020261 | 020262 | 020263 | 020264 | 020265 | 020266 | 020267 | 020268 | 020269 | 020270 | 020271 | 020272 | 020273 | 020274 | 020275 | 020276 | 020277 | 020278 | 020279 | 020280 | 020281 | 020282 | 020283 | 020284 | 020285 | 020286 | 020287 | 020288 | 020289 | 020290 | 020291 | 020292 | 020293 | 020294 | 020295 | 020296 | 020297 | 020298 | 020299 | 020300 | 020301 | 020302 | 020303 | 020304 | 020305 | 020306 | 020307 | 020308 | 020309 | 020310 | 020311 | 020312 | 020313 | 020314 | 020315 | 020316 | 020317 | 020318 | 020319 | 020320 | 020321 | 020322 | 020323 | 020324 | 020325 | 020326 | 020327 | 020328 | 020329 | 020330 | 020331 | 020332 | 020333 | 020334 | 020335 | 020336 | 020337 | 020338 | 020339 | 020340 | 020341 | 020342 | 020343 | 020344 | 020345 | 020346 | 020347 | 020348 | 020349 | 020350 | 020351 | 020352 | 020353 | 020354 | 020355 | 020356 | 020357 | 020358 | 020359 | 020360 | 020361 | 020362 | 020363 | 020364 | 020365 | 020366 | 020367 | 020368 | 020369 | 020370 | 020371 | 020372 | 020373 | 020374 | 020375 | 020376 | 020377 | 020378 | 020379 | 020380 | 020381 | 020382 | 020383 | 020384 | 020385 | 020386 | 020387 | 020388 | 020389 | 020390 | 020391 | 020392 | 020393 | 020394 | 020395 | 020396 | 020397 | 020398 | 020399 | 020400 | 020401 | 020402 | 020403 | 020404 | 020405 | 020406 | 020407 | 020408 | 020409 | 020410 | 020411 | 020412 | 020413 | 020414 | 020415 | 020416 | 020417 | 020418 | 020419 | 020420 | 020421 | 020422 | 020423 | 020424 | 020425 | 020426 | 020427 | 020428 | 020429 | 020430 | 020431 | 020432 | 020433 | 020434 | 020435 | 020436 | 020437 | 020438 | 020439 | 020440 | 020441 | 020442 | 020443 | 020444 | 020445 | 020446 | 020447 | 020448 | 020449 | 020450 | 020451 | 020452 | 020453 | 020454 | 020455 | 020456 | 020457 | 020458 | 020459 | 020460 | 020461 | 020462 | 020463 | 020464 | 020465 | 020466 | 020467 | 020468 | 020469 | 020470 | 020471 | 020472 | 020473 | 020474 | 020475 | 020476 | 020477 | 020478 | 020479 | 020480 | 020481 | 020482 | 020483 | 020484 | 020485 | 020486 | 020487 | 020488 | 020489 | 020490 | 020491 | 020492 | 020493 | 020494 | 020495 | 020496 | 020497 | 020498 | 020499 | 020500 | 020501 | 020502 | 020503 | 020504 | 020505 | 020506 | 020507 | 020508 | 020509 | 020510 | 020511 | 020512 | 020513 | 020514 | 020515 | 020516 | 020517 | 020518 | 020519 | 020520 | 020521 | 020522 | 020523 | 020524 | 020525 | 020526 | 020527 | 020528 | 020529 | 020530 | 020531 | 020532 | 020533 | 020534 | 020535 | 020536 | 020537 | 020538 | 020539 | 020540 | 020541 | 020542 | 020543 | 020544 | 020545 | 020546 | 020547 | 020548 | 020549 | 020550 | 020551 | 020552 | 020553 | 020554 | 020555 | 020556 | 020557 | 020558 | 020559 | 020560 | 020561 | 020562 | 020563 | 020564 | 020565 | 020566 | 020567 | 020568 | 020569 | 020570 | 021001 | 021002 | 021003 | 021004 | 021005 | 021006 | 021007 | 021008 | 021009 | 021010 | 021011 | 021012 | 021013 | 021014 | 021015 | 021016 | 021017 | 021018 | 021019 | 021020 | 021021 | 021022 | 021023 | 021024 | 021025 | 021026 | 021027 | 021028 | 021029 | 021030 | 021031 | 021032 | 021033 | 021034 | 021035 | 021036 | 021037 | 021038 | 021039 | 021040 | 021041 | 021042 | 021043 | 021044 | 021045 | 021046 | 021047 | 021048 | 021049 | 021050 | 021051 | 021052 | 021053 | 021054 | 021055 | 021056 | 021057 | 021058 | 021059 | 021060 | 021061 | 021062 | 021063 | 021064 | 021065 | 021066 | 021067 | 021068 | 021069 | 021070 | 021071 | 021072 | 021073 | 021074 | 021075 | 021076 | 021077 | 021078 | 021079 | 021080 | 021081 | 021082 | 021083 | 021084 | 021085 | 021086 | 021087 | 021088 | 021089 | 021090 | 021091 | 021092 | 021093 | 021094 | 021095 | 021096 | 021097 | 021098 | 021099 | 021100 | 021101 | 021102 | 021103 | 021104 | 021105 | 021106 | 021107 | 021108 | 021109 | 021110 | 021111 | 021112 | 021113 | 021114 | 021115 | 021116 | 021117 | 021118 | 021119 | 021120 | 021121 | 021122 | 021123 | 021124 | 021125 | 021126 | 021127 | 021128 | 021129 | 021130 | 021131 | 021132 | 021133 | 021134 | 021135 | 021136 | 021137 | 021138 | 021139 | 021140 | 021141 | 021142 | 021143 | 021144 | 021145 | 021146 | 021147 | 021148 | 021149 | 021150 | 021151 | 021152 | 021153 | 021154 | 021155 | 021156 | 021157 | 021158 | 021159 | 021160 | 021161 | 021162 | 021163 | 021164 | 021165 | 021166 | 021167 | 021168 | 021169 | 021170 | 021171 | 021172 | 021173 | 021174 | 021175 | 021176 | 021177 | 021178 | 021179 | 021180 | 021181 | 021182 | 021183 | 021184 | 021185 | 021186 | 021187 | 021188 | 021189 | 021190 | 021191 | 021192 | 021193 | 021194 | 021195 | 021196 | 021197 | 021198 | 021199 | 021200 | 021201 | 021202 | 021203 | 021204 | 021205 | 021206 | 021207 | 021208 | 021209 | 021210 | 021211 | 021212 | 021213 | 021214 | 021215 | 021216 | 021217 | 022001 | 022002 | 022003 | 022004 | 022005 | 022006 | 022007 | 022008 | 022009 | 022010 | 022011 | 022012 | 022013 | 022014 | 022015 | 022016 | 022017 | 022018 | 023001 | 023002 | 023003 | 023004 | 023005 | 023006 | 023007 | 023008 | 023009 | 023010 | 023011 | 024001 | 024002 | 024003 | 024004 | 024005 | 024006 | 024007 | 024008 | 024009 | 024010 | 024011 | 024012 | 024013 | 024014 | 024015 | 024016 | 024017 | 024018 | 024019 | 024020 | 024021 | 024022 | 024023 | 024024 | 024025 | 024026 | 024027 | 024028 | 024029 | 024030 | 024031 | 024032 | 024033 | 024034 | 024035 | 024036 | 024037 | 024038 | 024039 | 024040 | 024041 | 024042 | 024043 | 024044 | 024045 | 024046 | 024047 | 024048 | 024049 | 024050 | 024051 | 024052 | 024053 | 024054 | 024055 | 024056 | 024057 | 024058 | 025001 | 025002 | 025003 | 025004 | 025005 | 025006 | 025007 | 025008 | 025009 | 025010 | 025011 | 025012 | 025013 | 025014 | 025015 | 025016 | 025017 | 025018 | 026001 | 026002 | 026003 | 026004 | 026005 | 026006 | 026007 | 026008 | 026009 | 026010 | 026011 | 026012 | 026013 | 026014 | 026015 | 026016 | 026017 | 026018 | 026019 | 026020 | 026021 | 026022 | 026023 | 026024 | 026025 | 026026 | 026027 | 026028 | 026029 | 026030 | 026031 | 026032 | 026033 | 026034 | 026035 | 026036 | 026037 | 026038 | 026039 | 026040 | 026041 | 026042 | 026043 | 026044 | 026045 | 026046 | 026047 | 026048 | 026049 | 026050 | 026051 | 026052 | 026053 | 026054 | 026055 | 026056 | 026057 | 026058 | 026059 | 026060 | 026061 | 026062 | 026063 | 026064 | 026065 | 026066 | 026067 | 026068 | 026069 | 026070 | 026071 | 026072 | 027001 | 027002 | 027003 | 027004 | 027005 | 027006 | 027007 | 027008 | 027009 | 027010 | 027011 | 027012 | 027013 | 027014 | 027015 | 027016 | 027017 | 028001 | 028002 | 028003 | 028004 | 028005 | 028006 | 028007 | 028008 | 028009 | 028010 | 028011 | 028012 | 028013 | 028014 | 028015 | 028016 | 028017 | 028018 | 028019 | 028020 | 028021 | 028022 | 028023 | 028024 | 028025 | 028026 | 028027 | 028028 | 028029 | 028030 | 028031 | 028032 | 028033 | 028034 | 028035 | 028036 | 028037 | 028038 | 028039 | 028040 | 028041 | 028042 | 028043 | 029001 | 029002 | 029003 | 029004 | 029005 | 029006 | 029007 | 029008 | 029009 | 029010 | 029011 | 029012 | 029013 | 029014 | 029015 | 029016 | 029017 | 029018 | 029019 | 029020 | 029021 | 029022 | 029023 | 029024 | 029025 | 029026 | 029027 | 029028 | 029029 | 029030 | 029031 | 029032 | 029033 | 029034 | 029035 | 029036 | 029037 | 029038 | 029039 | 029040 | 029041 | 029042 | 029043 | 029044 | 029045 | 029046 | 029047 | 029049 | 029050 | 029051 | 029052 | 029053 | 029054 | 029055 | 029056 | 029057 | 029058 | 029059 | 029060 | 030001 | 030002 | 030003 | 030004 | 030005 | 030006 | 030007 | 030008 | 030009 | 030010 | 030011 | 030012 | 030013 | 030014 | 030015 | 030016 | 030017 | 030018 | 030019 | 030020 | 030021 | 030022 | 030023 | 030024 | 030025 | 030026 | 030027 | 030028 | 030029 | 030030 | 030031 | 030032 | 030033 | 030034 | 030035 | 030036 | 030037 | 030038 | 030039 | 030040 | 030041 | 030042 | 030043 | 030044 | 030045 | 030046 | 030047 | 030048 | 030049 | 030050 | 030051 | 030052 | 030053 | 030054 | 030055 | 030056 | 030057 | 030058 | 030059 | 030060 | 030061 | 030062 | 030063 | 030064 | 030065 | 030066 | 030067 | 030068 | 030069 | 030070 | 030071 | 030072 | 030073 | 030074 | 030075 | 030076 | 030077 | 030078 | 030079 | 030080 | 030081 | 030082 | 030083 | 030084 | 030085 | 030086 | 030087 | 030088 | 030089 | 030090 | 030091 | 030092 | 030093 | 030094 | 030095 | 030096 | 030097 | 030098 | 030099 | 030100 | 030101 | 030102 | 030103 | 030104 | 030105 | 030106 | 030107 | 030108 | 030109 | 030110 | 030111 | 030112 | 030113 | 030114 | 030115 | 030116 | 030117 | 030118 | 030119 | 030120 | 030121 | 030122 | 030123 | 030124 | 030125 | 030126 | 030127 | 030128 | 030129 | 030130 | 030131 | 030132 | 030133 | 030134 | 030135 | 030136 | 030137 | 030138 | 030139 | 030140 | 030141 | 030142 | 030143 | 030144 | 030145 | 030146 | 030147 | 030148 | 030149 | 030150 | 030151 | 030152 | 030153 | 030154 | 030155 | 030156 | 030157 | 030158 | 030159 | 030160 | 030161 | 030162 | 030163 | 030164 | 030165 | 030166 | 030167 | 030168 | 030169 | 030170 | 030171 | 030172 | 030173 | 030174 | 030175 | 030176 | 030177 | 030178 | 030179 | 030180 | 030181 | 030182 | 030183 | 030184 | 030185 | 030186 | 030187 | 030188 | 030189 | 030190 | 030191 | 030192 | 030193 | 030194 | 030195 | 030196 | 030197 | 030198 | 030199 | 030200 | 030201 | 030202 | 030203 | 030204 | 030205 | 030206 | 030207 | 030208 | 030209 | 030210 | 030211 | 030212 | 031001 | 031002 | 031003 | 031004 | 031005 | 031006 | 031007 | 031008 | 031009 | 031010 | 031011 | 031012 | 031013 | 031014 | 031015 | 031016 | 031017 | 031018 | 031019 | 031020 | 031021 | 031022 | 031023 | 031024 | 031025 | 031026 | 031027 | 031028 | 031029 | 031030 | 031031 | 031032 | 031033 | 031034 | 031035 | 031036 | 031037 | 031038 | 031039 | 031040 | 031041 | 031042 | 031043 | 031044 | 031045 | 031046 | 031047 | 031048 | 031049 | 031050 | 031051 | 031052 | 031053 | 031054 | 031055 | 031056 | 031057 | 031058 | 031059 | 031060 | 031061 | 031062 | 031063 | 031064 | 031065 | 031066 | 031067 | 031068 | 031069 | 031070 | 031071 | 031072 | 031073 | 031074 | 031075 | 031076 | 031077 | 031078 | 031079 | 031080 | 031081 | 031082 | 031083 | 031084 | 031085 | 031086 | 031087 | 031088 | 031089 | 031090 | 031091 | 031092 | 031093 | 031094 | 031095 | 031096 | 031097 | 031098 | 031099 | 031100 | 031101 | 031102 | 031103 | 031104 | 031105 | 031106 | 032001 | 032002 | 032003 | 032004 | 032005 | 032006 | 032007 | 032008 | 032009 | 032010 | 032011 | 032012 | 032013 | 032014 | 032015 | 032016 | 032017 | 032018 | 032019 | 032020 | 032021 | 032022 | 032023 | 032024 | 032025 | 032026 | 032027 | 032028 | 032029 | 032030 | 032031 | 032032 | 032033 | 032034 | 032035 | 032036 | 032037 | 032038 | 032039 | 032040 | 032041 | 032042 | 032043 | 032044 | 032045 | 032046 | 032047 | 032048 | 032049 | 032050 | 032051 | 032052 | 032053 | 032054 | 032055 | 032056 | 032057 | 032058 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Migración Intermunicipal
Matrices
### Municipios que no pertenecen en la muestra
municipios_nomuestra <- c("004012", "007125", "029048")
#Clave de los municipios 2020
municipios <- MUN %>%
select(CVE_MUN) %>%
unique() %>%
filter(CVE_MUN %nin% municipios_nomuestra) %>%
pull(CVE_MUN)
Pob.5ymas <- mydata %>%
mutate(CVE_MUN_RES = paste0(ENT_PAIS_RES_5A, MUN_RES_5A)) %>%
mutate(ENT_PAIS_RES_5A = case_when(.$ENT_PAIS_RES_5A %in% estados ~.$ENT_PAIS_RES_5A,
.$ENT_PAIS_RES_5A %nin% estados ~ "888", #Residencia en otro país
.$ENT_PAIS_RES_5A %in% "997" ~ "997",
.$ENT_PAIS_RES_5A %in% "998" ~ "998",
.$ENT_PAIS_RES_5A %in% "997" ~ "999"),
CVE_MUN_RES = case_when(.$CVE_MUN_RES %in% municipios ~.$CVE_MUN_RES,
#### Se excluyen los municipios que no fueron muestreados
.$CVE_MUN_RES %in% municipios_nomuestra ~ "777",
nchar(.$CVE_MUN_RES) == 3 ~ "888", #Residencia en otro país
.$CVE_MUN_RES %in% "997999" ~ '997999',
.$ENT_PAIS_RES_5A %in% "997" ~ "997",
.$ENT_PAIS_RES_5A %in% "998" ~ "998",
.$ENT_PAIS_RES_5A %in% "999" ~ "999",
.$MUN_RES_5A %in% "999" ~ "999")) %>%
mutate(I_Migracion = case_when(.$CVE_ENT == .$ENT_PAIS_RES_5A & .$ENT_PAIS_RES_5A %in% estados ~ 1,
.$CVE_ENT != .$ENT_PAIS_RES_5A & .$ENT_PAIS_RES_5A %in% estados ~ 2,
.$ENT_PAIS_RES_5A %nin% estados ~ 3)) %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <= 130) %>%
select(FACTOR, ESTRATO, UPM, CVE_MUN, CVE_MUN_RES, EDAD, I_Migracion) %>%
filter(CVE_MUN_RES %in% municipios & I_Migracion == 2)
MC <- Pob.5ymas %>%
svydesign(data = ., id = ~ UPM, strata = ~ESTRATO, weight = ~FACTOR, nest = T)
saveRDS(MC, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/MC_intermunicipal.RDS"))MC <- readRDS(file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/MC_intermunicipal.RDS"))
Migrantes <- svytable(~CVE_MUN_RES + CVE_MUN, design = MC) Se genera la matriz cuadrada y se le asignan las etiquetas de municipios.
Migrantes <- Migrantes %>%
as.data.frame() %>%
expss::cross_cases(CVE_MUN, CVE_MUN_RES, weight = Freq) %>%
as.data.frame() %>%
rename("CVE_MUN" = "row_labels") %>%
arrange(CVE_MUN) %>%
slice(-1)
rownames <- Migrantes %>%
mutate(CVE_MUN = substr(.$CVE_MUN, 9, 16)) %>%
pull(CVE_MUN)
colnames <- names(Migrantes) %>%
as.data.frame() %>%
slice(-1) %>%
rename("CVE_MUN" = ".") %>%
mutate(`CVE_MUN` = substr(.$CVE_MUN, 13, 20)) %>%
pull(CVE_MUN)
# Se elimina la variable CVE_MUN
Migrantes <- Migrantes %>%
select(-CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
saveRDS(Migrantes, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel intermunicipal 2020.RDS"))
save(Migrantes, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel intermunicipal 2020.RData"))
require(openxlsx)
wb <- createWorkbook()
addWorksheet(wb, "M.Intermunicipal")
writeData(wb, 1, Migrantes %>% as.data.frame() %>% tibble::rownames_to_column(var = "CVE_MUN"), colNames = TRUE)
saveWorkbook(wb, file = paste0(here::here(), "/Bases/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel intermunicipal 2020.xlsx"), overwrite = TRUE)Matriz de migración reciente hace 5 años a nivel municipal, 2015 - 2020
| Matriz de migración reciente a nivel municipal | |||||||||||||||||||||||||||||
| Nivel intermunicipal | |||||||||||||||||||||||||||||
| CVE_MUN | 001001 | 001002 | 001003 | 001004 | 001005 | 001006 | 001007 | 001008 | 001009 | 001010 | 001011 | 002001 | 002002 | 002003 | 002004 | 002005 | 003001 | 003002 | 003003 | 003008 | 003009 | 004001 | 004002 | 004003 | 004004 | 004005 | 004006 | 004007 | 004008 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||||||||||||||||||||
Gráficos
ChordDiagram
Gráficos por estados
Se filtran los flujos migratorios que son exclusivos de los estados y que visualmente sean más interpretables.
# Matriz cuadrada a nivel municipal
load(paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel intermunicipal 2020.RData"))
rownames <- rownames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
colnames <- colnames(Migrantes) %>%
as.data.frame() %>%
rename("CVE_MUN" = ".") %>%
left_join(., MUN %>% select(CVE_MUN, NOM_MUN)) %>%
mutate(CVE_MUN = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(CVE_MUN)
rownames(Migrantes) <- rownames
colnames(Migrantes) <- colnames
# Nombre de los estados
estado <- stringr::str_wrap(nom_estados, 100)
# Clave de los municipios
### Municipios que no pertenecen en la muestra
municipios_nomuestra <- c("004012", "007125", "029048")
municipios <- MUN %>%
filter(CVE_MUN %nin% municipios_nomuestra) %>%
mutate(municipios = stringr::str_wrap(paste(.$CVE_MUN, .$NOM_MUN), 100)) %>%
pull(municipios)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Inmigrantes_function(municipios, Migrantes)
Emigrantes <- Emigrantes_function(municipios, Migrantes)
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
filter(value > 0)
filtro_est <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
filter(value > 0)
### Sacar el promedio de los flujos migratiorios para determinar como se van a grupar los estados
#### Es importante correr la tabla1[[x]] sin filtros para determinar el número promedio de flujos de migración
#### Filtro <<<<< filter(value > 0 & rn != estado[x]) %>%
#p <- data.frame(estados = est,
# filtro_municipio = tabla_municipios,
# filtro_estado = tabla_estados)
#write.xlsx(p, file = paste0(here::here(), "/Bases/Municipio/01_Migracion reciente/2020/Filtro a nivel intermunicipal.xlsx"), overwrite = TRUE)
#### Filtro de municipios
filtro_mig <- read.xlsx(paste0(here::here(), "/Bases/Municipio/01_Migracion reciente/2020/Filtro a nivel intermunicipal.xlsx"), colNames = TRUE) %>%
pull(filtro_municipio)
#### Filtro de estados
filtro_out <- read.xlsx(paste0(here::here(), "/Bases/Municipio/01_Migracion reciente/2020/Filtro a nivel intermunicipal.xlsx"), colNames = TRUE) %>%
pull(filtro_estado)
################################################################################
## Se generan los filtros correspondientes a la matriz cuadrada por estados
tabla <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
filter(value > 0)
tabla1 <- migration_flows_municipality(tabla = tabla,
filtro_mun = filtro,
filtro_est = filtro_est,
filtro_mig = filtro_mig,
filtro_out = filtro_out,
category_group = estados,
category_names = nom_estados,
group_mun = "Otros municipios",
group_est = "Otros estados")
## Se sacan los flujos migratorios que pertencen a otros estados
#tabla_estados <- sapply(1:32, function(i){
# tabla1[[i]] %>%
# as.data.frame() %>%
# adorn_totals(c("row", "col"),
# fill = "-",
# na.rm = TRUE,
# ,,,,contains(colnames(tabla1[[i]]))) %>%
# select(`Otros estados`) %>%
# slice(nrow(.)) %>%
# mutate(`Otros estados` = .$`Otros estados`/10) %>%
# pull(`Otros estados`)
#})
## Se sacan los flujos migratorios que pertencen a otros municipios
#tabla_municipios <- sapply(1:32, function(i){
# tabla1[[i]] %>%
# as.data.frame() %>%
# select(-c(`Otros estados`)) %>%
# adorn_totals(c("row", "col"),
# fill = "-",
# na.rm = TRUE,
# ,,,,contains(colnames(tabla1[[i]]))) %>%
# slice(nrow(.)) %>%
# mutate(Total = .$Total/50) %>%
# pull(Total)
#})
## Se guardan las matrices de migración reciente para analizarlos después.
wb <- createWorkbook()
for(i in 1:32){
tabla <- tabla1[[i]] %>%
as.data.frame() %>%
adorn_totals(c("row", "col"),
fill = "-",
na.rm = TRUE,
,,,,contains(colnames(tabla1[[i]])))
addWorksheet(wb, paste(est[i]))
writeData(wb, i, tabla, colNames = TRUE, rowNames = TRUE)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz MR5a a nivel intermunicipal_Reduccion.xlsx"),
overwrite = TRUE)
}
saveRDS(tabla1, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Tabla MR5a a nivel intermunicipal.RDS"))tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Tabla MR5a a nivel intermunicipal.RDS"))
total_tablas <- totales(tabla1 = tabla1,
Clave = "CVE_MUN",
Inmigrantes = "Inmigrantes",
Emigrantes = "Emigrantes")
porcentajes_tablas <- porcentajes(tabla1 = tabla1,
Clave = "CVE_MUN",
Inmigrantes = "%Inmigrantes",
Emigrantes = "%Emigrantes")
# Se guardan los totales de las matrices reducidas
wb <- createWorkbook()
for(i in 1:32){
addWorksheet(wb, paste(est[i]))
writeData(wb, i, totales_tablas[[i]], colNames = TRUE, startCol = 1)
writeData(wb, i, porcentajes_tablas[[i]], colNames = TRUE, startCol = 5)
saveWorkbook(wb,
file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz MR5a a nivel intermunicipal_Reduccion_Totales.xlsx"),
overwrite = TRUE)
}Dada la magnitud de municipios en algunos estados se seleccionan solo algunos de ellos.
tabla1 <- readRDS(file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Tabla MR5a a nivel intermunicipal.RDS"))
## Genera una lista de vectores con los colores a nivel municipal
#paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(50)
paleta <- c("#000C7D", "#00108D", "#02149C", "#1614A4", "#3012A6", "#5A0D9D", "#7A0895", "#910390", "#A7008A", "#BB0085", "#CE0080", "#DF047A", "#EE1774", "#FA2C6C", "#FD4364", "#FE595B", "#FF6F51", "#FF8445","#FF9636", "#FFA72B", "#FFB622")
tabla2 <- color_chord_diagram(tabla1 = tabla1, paleta)file = "/Graficos/Municipio/01_Migracion reciente/2020/ChordDiagram de MR5a desagregado a nivel intermunicipal.pdf"
## Gráficos a nivel intermunicipal
chord_diagram_graph(file = file,
width = 15,
height = 10,
family = "Montserrat Medium",
paleta = paleta,
tabla1 = tabla1,
tabla2 = tabla2,
color_labels = "#000C7D",
transparency = 0,
circo.text = 9,
circos.axis.text = 6,
adj.text =c(-0.05, 0.5), #Ajuste de las etiquetas (x, y)
adj.ylim = 0.1,
gap.degree = 2,
clock.wise = FALSE,
track.margin = c(-0.07, 0.1),
margin = rep(0, 4))Etiquetas
Gráfico Sankey
# Matriz cuadrada a nivel municipal
load(paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel intermunicipal 2020.RData"))
tabla <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character)
################################################################################
################################## Filtro ######################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (substr(.$rn, 1, 3) %in% estados | substr(.$cn, 1, 3) %in% estados), value, 0)) %>%
filter(value > 0) %>%
group_by(rn) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "rn") %>%
melt(., id.vars = "rn", variable.name = "cn") %>%
mutate_if(is.factor, as.character) %>%
mutate(value = ifelse((.$rn != .$cn) & (substr(.$rn, 1, 3) %in% estados | substr(.$cn, 1, 3) %in% estados), value, 0)) %>%
filter(value > 0) %>%
group_by(cn) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE))
################################## Filtro ######################################
filtro <- Inmigrantes %>%
full_join(., Emigrantes, by = c("rn" = "cn")) %>%
mutate(value = sum_row(Inmigrantes, Emigrantes, na.rm = TRUE)) %>%
filter(value < 5000) %>%
pull(rn)
################################################################################
tabla1 <- lapply(1:32, function(x){
tabla %>%
mutate(rn = case_when(substr(.$rn, 1, 3) %in% estados[x] & .$rn %in% filtro ~ paste0(estados[x], " Otros municipios (", estados[x], ")"),
substr(.$rn, 1, 3) %in% estados[x] & .$rn %nin% filtro ~ .$rn,
substr(.$rn, 1, 3) %nin% estados[x] ~ paste0(nom_estados[as.numeric(substr(.$rn, 1, 3))])),
cn = case_when(substr(.$cn, 1, 3) %in% estados[x] & .$cn %in% filtro ~ paste0(estados[x], " Otros municipios (", estados[x], ")"),
substr(.$cn, 1, 3) %in% estados[x] & .$cn %nin% filtro ~ .$cn,
substr(.$cn, 1, 3) %nin% estados[x] ~ paste0(nom_estados[as.numeric(substr(.$cn, 1, 3))]))) %>%
mutate(value = ifelse(.$rn != .$cn & (substr(.$rn, 1, 3) %in% estados[x] | substr(.$cn, 1, 3) %in% estados[x]), .$value, 0)) %>%
filter(value > 0)
}
)p <- lapply(1:32, function(x){
tabla1[[x]] %>%
ggplot(aes(axis1 = rn,
axis2 = cn,
y = value), # c("value", "freq", "tasa")
reverse = FALSE,
na.rm = TRUE) +
geom_alluvium(aes(fill = rn),
curve_type = "quintic",
color = "transparent",
alpha = 0.85,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_stratum(aes(fill = cn),
color = "white",
alpha = 0.65,
lwd = 0.001,
width = 1/5,
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 1, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 1, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = -.2,
min.segment.length = unit(1, "lines"),
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
geom_text_repel(aes(label = ifelse(after_stat(x) == 2, paste0(as.character(after_stat(stratum)), ": ", prettyNum(count, big.mark = " ")), ""),
fontface = ifelse(after_stat(x) == 2, 'bold', 'plain')),
stat = "stratum",
size = 3,
direction = "y",
nudge_x = .2,
force = 1,
force_pull = 0,
family = "montserrat",
reverse = FALSE) +
theme_void() +
theme(plot.margin = margin(t = 1, r = 5, b = 1, l = 0, "cm"),
text = element_text(family = "montserrat"),
axis.text = element_blank(),
axis.title = element_blank(),
strip.text = element_text(size = 10, face = "bold", family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 7, family = "montserrat"),
legend.position = c(1.02, .5)) +
scale_x_discrete(expand = c(-0.1, 0.5)) +
scale_fill_viridis_d(option = "A", end = 1, begin = 0.2) +
guides(fill = guide_legend(ncol = 1, na.translate = F)) +
labs(fill = "",
color = "")
}
)
path = paste0(here::here(), "/Graficos/Municipio/01_Migracion reciente/2020/GSankey de MR5a desagregado a nivel intermunicipal.pdf")
ggexport(list = p, width = 18, height = 10, dpi = 400, filename = path)Indicadores
Se trabaja con la matriz cuadrada, la cual de esta manera no se satura la computadora
################################################################################
############################ Población total ###################################
Pob.Total <- mydata %>%
as.data.frame() %>%
group_by(CVE_MUN) %>%
summarise(Pob.Total = sum(FACTOR))
################################################################################
###################### Población de 5 años y más ###############################
Pob.5ymas <- mydata %>%
as.data.frame() %>%
mutate(EDAD = as.numeric(.$EDAD)) %>%
subset(EDAD >= 5 & EDAD <=130) %>%
group_by(CVE_MUN) %>%
summarise(Pob.5ymas = sum(FACTOR))
################################################################################
########################### Residentes #########################################
load(file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Matriz de migracion reciente a nivel intermunicipal 2020.RData"))
Residentes <- Migrantes %>%
rownames_to_column() %>%
gather(CVE_MUN, Value, -rowname)%>%
filter(rowname == CVE_MUN) %>%
select(-rowname) %>%
droplevels() %>%
rename("Residentes" = "Value")
################################################################################
############################### Inmigrantes ####################################
Inmigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
group_by(CVE_MUN) %>%
summarise(Inmigrantes = sum(value, na.rm = TRUE))
################################################################################
############################### Emigrantes #####################################
Emigrantes <- Migrantes %>%
as.data.frame() %>%
tibble::rownames_to_column(var = "CVE_MUN") %>%
melt(., id.vars = "CVE_MUN", variable.name = "CVE_MUN_RES") %>%
mutate_at(vars(3), as.numeric) %>%
as_tibble() %>%
filter(CVE_MUN != CVE_MUN_RES) %>%
group_by(CVE_MUN_RES) %>%
summarise(Emigrantes = sum(value, na.rm = TRUE)) %>%
rename("CVE_MUN" = "CVE_MUN_RES")
tabla <- Pob.Total %>%
left_join(., Pob.5ymas, by = c("CVE_MUN")) %>%
left_join(., Residentes, by = c("CVE_MUN")) %>%
left_join(., Inmigrantes, by = c("CVE_MUN")) %>%
left_join(., Emigrantes, by = c("CVE_MUN")) %>%
mutate(Mig.Neta = .$Inmigrantes - .$Emigrantes,
Mig.Bruta = .$Inmigrantes + .$Emigrantes,
Tasa.Inmig = ((.$Inmigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Emig = ((.$Emigrantes/ 5) /((.$Pob.Total + .$Pob.5ymas) / 2)) * 1000,
Tasa.Mig = Tasa.Inmig - Tasa.Emig,
Eficacia = Mig.Neta - Mig.Bruta)
write.xlsx(tabla, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Indicadores de MR5a a nivel intermunicipal 2020.xlsx"), overwrite = TRUE)
save(tabla, file = paste0(here::here(), "/Output/Municipio/01_Migracion reciente/2020/Indicadores de MR5a a nivel intermunicipal 2020.RData"))| Indicadores de migración reciente | |||||||||||
| Nivel intermunicipal | |||||||||||
| Clave del municipio | Pob.Total | Pob.5ymas | Residentes | Inmigrantes | Emigrantes | Mig.Neta | Mig.Bruta | Tasa.Inmig | Tasa.Emig | Tasa.Mig | Eficacia |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Fuente: Estimaciones del CONAPO. | |||||||||||
Referencias
Librerias que se usaron en el documento
| package | loadedversion | source |
|---|---|---|
| Cairo | 1.6-1 | CRAN (R 4.3.1) |
| chorddiag | 0.1.3 | Github (mattflor/chorddiag@1688d72cd93071abb373e054190363bdfb3af2af) |
| circlize | 0.4.15 | CRAN (R 4.3.1) |
| doMC | 1.3.5 | R-Forge (R 4.3.1) |
| dplyr | 1.1.3 | CRAN (R 4.3.2) |
| expss | 0.11.6 | CRAN (R 4.3.1) |
| foreach | 1.5.2 | CRAN (R 4.3.1) |
| ggalluvial | 0.12.5 | CRAN (R 4.3.1) |
| ggplot2 | 3.4.3 | CRAN (R 4.3.1) |
| ggpubr | 0.6.0 | CRAN (R 4.3.1) |
| ggrepel | 0.9.3 | CRAN (R 4.3.1) |
| ggsankey | 0.0.99999 | Github (davidsjoberg/ggsankey@3e171a83a5364bb24df7cb2cd9203dd79b1dae29) |
| gt | 0.10.0 | CRAN (R 4.3.1) |
| haven | 2.5.3 | CRAN (R 4.3.1) |
| Hmisc | 5.1-0 | CRAN (R 4.3.1) |
| iterators | 1.0.14 | CRAN (R 4.3.1) |
| janitor | 2.2.0 | CRAN (R 4.3.1) |
| kableExtra | 1.3.4 | CRAN (R 4.3.1) |
| knitr | 1.45 | CRAN (R 4.3.2) |
| maditr | 0.8.3 | CRAN (R 4.3.1) |
| mapview | 2.11.0 | CRAN (R 4.3.1) |
| Matrix | 1.6-1.1 | CRAN (R 4.3.1) |
| network | 1.18.1 | CRAN (R 4.3.1) |
| openxlsx | 4.2.5.2 | CRAN (R 4.3.1) |
| reshape2 | 1.4.4 | CRAN (R 4.3.1) |
| sjlabelled | 1.2.0 | CRAN (R 4.3.1) |
| sna | 2.7-1 | CRAN (R 4.3.1) |
| srvyr | 1.2.0 | CRAN (R 4.3.1) |
| statnet.common | 4.9.0 | CRAN (R 4.3.1) |
| stringr | 1.5.0 | CRAN (R 4.3.1) |
| survey | 4.2 | Github (bschneidr/fastsurvey@5e4df7bd6c4bac44fa9c6681db40c496dd701f45) |
| survival | 3.5-5 | CRAN (R 4.3.1) |
| tibble | 3.2.1 | CRAN (R 4.3.1) |
| tidyr | 1.3.0 | CRAN (R 4.3.1) |
This
work by Diana Villasana
Ocampo is licensed under a
Creative
Commons Attribution 4.0 International License.